一种适用于储能系统的放电优化方法技术方案

本发明专利技术涉及储能电池管理技术领域，具体涉及对于储能系统放电环节的优化设计。本发明专利技术是通过以下技术方案得以实现的：一种适用于储能系统的放电优化方法，S01、基本信息获得步骤；获得储能系统的基本信息；S02、基本充放电策略确定步骤；将一天分成多个时间长度相等的时间分段，并确定该种储能系统的基本充放电策略；S03、确定可优化放电区间步骤；S04、放电优化调节步骤；确定所述可优化放电区间中每个时间分段的具体充放电操作，使用遍历算法对所有的时间分段进行充电或静置的排列组合。本发明专利技术的目的是提供一种适用于储能系统的放电优化方法和放电优化系统，可完全取代手动设置策略，其实现无需带标签的历史数据，更适合大规模储能系统的策略优化。系统的策略优化。系统的策略优化。

【技术实现步骤摘要】
一种适用于储能系统的放电优化方法


[0001]本专利技术涉及储能电池管理
，具体涉及对于储能系统放电环节的优化设计。

技术介绍

[0002]近年来在碳中和的设计要求和影响下，光伏、风力等清洁能源越来越多地参与到电力供应系统中，然而光伏和风力发电的效率和所处环境相关，难以被直接控制，且电力很难直接被存储，这就使得电力的供需也逐渐失衡。
[0003]在这样的背景下，储能技术得到了发展和广泛应用。如公开号为CN202211192865的中国专利文件公开了一种储能系统的电力调度方法及储能系统，在硬件上，其包含多组电池簇、电池汇流柜、功率转换器等电力部件，其可以存储电能及供能，从而保证电力供需的平衡。
[0004]在众多储能技术中，电化学储能的应用较为广泛，通常使用蓄电池实现削峰填谷来促进电力供需平衡。控制蓄电池，使之在电力系统的谷时时刻充电，在峰时时刻放电，从而增加电力系统的电力利用率和收益率。
[0005]进一步的，储能系统的工作状态有三种，分别是：充电、放电和静置，充电和放电是持续产生收益的必要步骤，也是储能系统优化的主要对象。其中，充电阶段的优化目标主要是减少充电时长和减小充电温升两方面来考虑。放电阶段由于其负载存在不确定性，放电阶段的优化主要是策略的优化，即选择在何时、何种条件下进行放电，怎样进行放电，从而达到电力最大的利用率，供需收益最大化。需要说明的是，储能系统具有数量多、规模增长快的特别，由于基础量大，即使在原有放电策略的基础上，通过策略优化，将利用率、收益率提升1个百分点，其总体的收益提升也是巨大的，故，放电策略的正确选择与优化，成为了储能系统设计工作过程中不可忽视的重点内容之一。
[0006]在对储能系统的放电策略进行优化时，存在工程师手动优化和系统自动优化两种方式。显而易见的是，由于储能系统数量多、增长快速、储能系统分布在各个地区而存在的差异性等因素，工程师来手动对每个储能系统进行参数设置效率低，耗时耗力。在现有技术中，往往是采用智能管理系统来实现放电策略的优化。如公开号为CN201610278696的中国专利文件公开了一种基于自适应动态规划的百兆瓦储能功率控制方法及系统。其包含神经网络和执行模块，基于其自学习功能对储能系统进行优化。
[0007]然而，该种使用神经网络深度学习的方法和系统还是存在着一定的技术缺陷。首先，训练神经网络模型需要大量带标签的历史数据，而获取带标签的历史数据需要耗费大量人力物力。其次，储能系统数量多，价格多样，需要训练不同的模型来适应各种情况。第三，电力系统的规则，如电价，随季节变化存在时变性，当电价改变时需要重新收集对应的数据并重新训练模型。即深度学习的方法来实现放电策略优化需要大量历史数据、训练多种模型，随着价格的变化需要重复收集数据并重新训练模型，当储能系统在各地大量增长时，深度学习要想继续实现策略的优化，其难度可能出现指数级增长。

技术实现思路

[0008]本专利技术的目的是提供一种适用于储能系统的放电优化方法，可完全取代手动设置策略，其实现无需带标签的历史数据，对不同地区的电力规则，无需针对性地训练不同的模型，通用性高，计算量小，更适合大规模储能系统的策略优化。
[0009]本专利技术是通过如下技术方案实现的：一种适用于储能系统的放电优化方法，包含如下步骤： S01、基本信息获得步骤； 获得储能系统的基本信息；所述基本信息包含该储能系统所在地区的时间电价数据和储能系统电量数据， S02、基本充放电策略确定步骤； 将一天分成多个时间长度相等的时间分段，并确定该种储能系统的基本充放电策略；所述基本充放电策略为：当第i时间分段的电价等于最低电价，则该时间分段进行充电，当大于，则该时间分段进行放电， S03、确定可优化放电区间步骤； 确定可优化放电区间；所述可优化放电区间同时满足两个条件，条件一，所述可优化放电区间中，所有的时间分段都无充电操作，条件二，所述可优化放电区间中，包含大于等于两种电价， S04、放电优化调节步骤； 确定所述可优化放电区间中每个时间分段的具体充放电操作，使用遍历算法对所有的时间分段进行充电或静置的排列组合，得到每组排列组合的动作集合和与之对应的放电总收益，选择放电总收益最大的排列组合的动作集合为放电优化调节的最优解。
[0010]作为本专利技术的优选，在所述S04中使用到的遍历算法为强化学习 Dyna
‑
Q 算法或Q
‑
Learning优化算法。
[0011]作为本专利技术的优选，在所述S04中使用到的遍历算法为蚁群优化算法或粒子群算法。
[0012]作为本专利技术的优选，在所述S04中使用到的遍历算法为动态规划算法；所述动态规划算法使用如下公式形成动态规划矩阵dp，，公式中，dp为动态规划矩阵，k和j为矩阵编号下标，k为时间切片的编号，j为剩余发电时间切片编号，k和j均为自然数，该公式是在和这两个值中取最大值,其中是指表示优化放电区间第 k 个时间切片时的电价为时新增的放电收益,所述时间切片的长度为用户自定义； 在所述动态规划矩阵dp中，每一个矩阵的坐标点都为一个每组排列组合的动作集合和与之对应的放电总收益，选择放电总收益最大的排列组合的动作集合为放电优化调节的最优解。
[0013]作为本专利技术的优选，每个所述时间切片的长度为6秒。
[0014]作为本专利技术的优选，在所述S02中，包含如下子步骤； S021、分段确定步骤； 将一天24个小时划分为时间等长的所述时间分段， S022、分段基本信息获得步骤； 获得每个时间分段对应的电价信息，，N为时间分段的总数， S023、分段基本策略确定步骤； 该步骤使用到的公式示性函数公式，具体为：，其中，i为时间分段下标，为第i个时间分段对应的电价，I（）为示性函数，当括号里的内容成立，则返回1，否则返回0，一天中各个时间分段的充放电具体操作为S，，
即为一天中第i个时间段对应的充放电操作，其值为
‑
1时对应的为放电，1为充电。
[0015]作为本专利技术的优选，在所述S021中，每个所述时间分段的时间长度定为60分钟。
[0016]作为本专利技术的优选，在所述S03中，对所述条件二进行判断时，使用到的函数为去重函数，具体为： ， 其中，n和m为所述可优化的放电区间的时间分段起点和终点，，即为中的电价，s.t.为限定条件符号，f（）为去重函数，括号里的内容有多少种电价，则就会返回对应的电价数量。
[0017]本专利技术的技术效果为：1、完全取代手动策略调整，能自动对不同地区的储能系统进行计算，最后得出放电环节的优化最优解，极大提升储能系统的放电效率和收益值。
[0018]2、无需带标签的历史数据，只需要采集到的原始基本数据即可，且无需针对性地训练不同的模型。
[0019]3、使用动态规划实现放电策略优化无需离线训练模型，直接算出全局最优解，算法稳定。
[0020]4、整个计算过程简洁明快，各个步骤对算力的负担要求小，适合大规模储能系统的策略优化。
附图说明...

【技术保护点】

【技术特征摘要】
1.一种适用于储能系统的放电优化方法，其特征在于，包含如下步骤： S01、基本信息获得步骤； 获得储能系统的基本信息；所述基本信息包含该储能系统所在地区的时间电价数据和储能系统电量数据， S02、基本充放电策略确定步骤； 将一天分成多个时间长度相等的时间分段，并确定该种储能系统的基本充放电策略；所述基本充放电策略为：当第i时间分段的电价等于最低电价，则该时间分段进行充电，当大于，则该时间分段进行放电， S03、确定可优化放电区间步骤； 确定可优化放电区间；所述可优化放电区间同时满足两个条件，条件一，所述可优化放电区间中，所有的时间分段都无充电操作，条件二，所述可优化放电区间中，包含大于等于两种电价， S04、放电优化调节步骤； 确定所述可优化放电区间中每个时间分段的具体充放电操作，使用遍历算法对所有的时间分段进行充电或静置的排列组合，得到每组排列组合的动作集合和与之对应的放电总收益，选择放电总收益最大的排列组合的动作集合为放电优化调节的最优解。2.根据权利要求1所述的一种适用于储能系统的放电优化方法，其特征在于：在所述S04中使用到的遍历算法为强化学习 Dyna
‑
Q 算法或Q
‑
Learning优化算法。3.根据权利要求1所述的一种适用于储能系统的放电优化方法，其特征在于：在所述S04中使用到的遍历算法为蚁群优化算法或粒子群算法。4.根据权利要求1所述的一种适用于储能系统的放电优化方法，其特征在于：在所述S04中使用到的遍历算法为动态规划算法； 所述动态规划算法使用如下公式形成动态规划矩阵dp， ，公式中，dp为动态规划矩阵，k和j为矩阵编号下标，k为时间切片的编号，j为剩余发电时间切片编号，k和j均为自然数，该公式是在...

【专利技术属性】
技术研发人员：吴建斌，陈驰，冯万峰，黄嘉诚，
申请(专利权)人：长兴太湖能谷科技有限公司，
类型：发明
国别省市：