一种电化学储能充放电量预测方法技术

本发明专利技术涉及一种电化学储能充放电量预测方法

【技术实现步骤摘要】
一种电化学储能充放电量预测方法


[0001]本专利技术涉及储能系统
，具体涉及一种电化学储能充放电量预测方法
。

技术介绍

[0002]目前，在储能系统领域，为更好的发挥电网支撑作用，需要依据历史充放电能力预测输出功率，来对电网整体进行规划，由于储能系统的充放电能力受各种条件和控制方式变化的影响，对电力系统的稳定性将造成一定的冲击，为了确定在指定时间段内储能系统的总充放电能力，对储能系统的电量预测，特别是中长期的预测，将变得尤为重要，充放电能力的预测所需的因素主要是储能系统自身材质
、
环境温度以及其他外部条件
。
现有技术的预测手段是基于概率进行估计，但在实际使用中没有得到良好的预测精度，此外现有模型的鲁棒性和泛化能力也有待增强
。

技术实现思路

[0003]本专利技术提供一种电化学储能充放电量预测方法，该方法基于卷积神经网络对储能系统充放电量进行预测，具有预测精度高
、
模型鲁棒性强
、
泛化能力强等优点
。
技术方案如下：
[0004]一种电化学储能充放电量预测方法，包括如下步骤：
[0005]步骤1：首先采集储能系统的原始数据，将原始数据分为训练样本数据集和未标记样本数据集；其中，原始数据包括历史充放电量
、
环境温度
、
储电量；
[0006]步骤2：对采集的原始数据进行数据预处理，包括删除重复值
、
数据合并
、
填充缺测值
、
处理异常值
、
归一化和转换时间数据至有监督数据；
[0007]步骤
3.
构建储能系统中长期充放电量预测模型，并利用预处理后的训练样本数据集对预测模型进行训练；
[0008]步骤
4.
利用步骤3训练好的预测模型对预处理后的未标记样本数据集进行预测，根据预测模型的输出判断储能系统的充放电量及趋势；
[0009]在步骤3中，构建储能系统中长期充放电量预测模型的过程为：
[0010]所构建储能系统中长期充放电量预测模型的第一部分为输入层，输入预处理后的训练样本数据集；
[0011]第二部分是
m
维卷积神经网络层，
m
为参考指标数，构建由1个卷积层和1个最大池化层组成的一维卷积神经网络框架，卷积核数目为
Tm
，激活函数为
ReLu
；所述卷积层遍历输入的前
n
时刻的历史充放电量数据以及相关特征时序数据，将滑动提取的局部数据段通过与卷积核内部的权重进行计算，初步得到一个特征矩阵；然后将所述特征矩阵作为最大池化层的输入，将池化窗口沿着序列进行平移，每进行一次池化操作都是取其中的最大值；
[0012]第三部分是双向门控循环神经网络
BiGRU
结构，分为两层
BiGRU
，第一层
BiGRU
是3个
BiGRU
单元，原始的历史充放电量数据中对时序信息更为敏感的部分被一维卷积神经网络提取出来后分为3段，再分别输入到3个
BiGRU
单元，每个
BiGRU
单元的神经元个数为
32
；然
后将3段输出组合后再输入第二层
BiGRU
中进行提取特征，第二层
BiGRU
中的
BiGRU
单元神经元个数为
64
，并以此进行时序数据建模；
[0013]第四部分是输出层，经过神经网络的拉伸层，即
Flatten
层将多维数据一维化，通过全连接层进行变换输出预测结果，所采用的损失函数表示为：
[0014][0015]其中，
Loss
为损失函数；
y
i
为实际输出值；为理论输出值；
[0016]在步骤3中，利用预处理后的训练样本数据集对预测模型进行训练的过程为：
[0017]采用聚集寻优算法对卷积神经网络中神经元的参数
w
ne
和
b
ne
进行优化；其中
w
ne
为神经元的权重参数；
b
ne
为神经元的阈值参数；具体优化过程为：
[0018]首先定义寻优粒子，设置寻优粒子种群中有
n
个寻优粒子，寻优粒子个体状态表示为
X
＝
[x1，
x2，
x3，
…
，
x
n
]，其中
x
i
为第
i
个寻优粒子的状态，即寻优粒子的位置，也就是参数寻优问题中的自由变量；目标函数用
Y
＝
f(X)
表示；寻优粒子
i、j
之间的距离为
d
ij
＝
||X
i
‑
X
j
||
；寻优粒子的搜索半径为
Visual
；搜索的步长为
Step
；拥挤度因子为
δ
；
[0019]x
i
在视野
Visual
内搜索到任意位置
x
j
，若
x
j
位置状态优于
x
i
的位置，则
x
i
向
x
j
位置方向前进一步，到达
x
next
位置；否则，继续搜索视野范围内的其他位置，设置搜索条件的过程表示为：
[0020]X
j
＝
X
i
+Visual
·
Rand()
；
[0021][0022]其中，
Rand()
为0～1之间的随机数；
[0023]在行动之前，每个寻优粒子都会从搜寻行为
、
聚集行为
、
追尾行为和随机行为中选择最优的执行，使寻优粒子种群能够到达离最优解更近的位置，具体来说：
[0024]搜寻行为：假设第
i
个寻优粒子的状态为
x
i
，在其搜索范围内随机选择一个状态
x
j
，满足下式：
[0025]X
j
＝
X
i
+Visual
·
Rand()
；
[0026]Y
i
和
Y
j
分别表示
X
i
和
X
j
状态下的优先解密集度，如果
Y
i
＜
...

【技术保护点】

【技术特征摘要】
1.
一种电化学储能充放电量预测方法，其特征在于，包括如下步骤：步骤1：首先采集储能系统的原始数据，将原始数据分为训练样本数据集和未标记样本数据集；其中，原始数据包括历史充放电量
、
环境温度
、
储电量；步骤2：对采集的原始数据进行数据预处理，包括删除重复值
、
数据合并
、
填充缺测值
、
处理异常值
、
归一化和转换时间数据至有监督数据；步骤
3.
构建储能系统中长期充放电量预测模型，并利用预处理后的训练样本数据集对预测模型进行训练；步骤
4.
利用步骤3训练好的预测模型对预处理后的未标记样本数据集进行预测，根据预测模型的输出判断储能系统的充放电量及趋势；在步骤3中，构建储能系统中长期充放电量预测模型的过程为：所构建储能系统中长期充放电量预测模型的第一部分为输入层，输入预处理后的训练样本数据集；第二部分是
m
维卷积神经网络层，
m
为参考指标数，构建由1个卷积层和1个最大池化层组成的一维卷积神经网络框架，卷积核数目为
Tm
，激活函数为
ReLu
；所述卷积层遍历输入的前
n
时刻的历史充放电量数据以及相关特征时序数据，将滑动提取的局部数据段通过与卷积核内部的权重进行计算，初步得到一个特征矩阵；然后将所述特征矩阵作为最大池化层的输入，将池化窗口沿着序列进行平移，每进行一次池化操作都是取其中的最大值；第三部分是双向门控循环神经网络
BiGRU
结构，分为两层
BiGRU
，第一层
BiGRU
是3个
BiGRU
单元，原始的历史充放电量数据中对时序信息更为敏感的部分被一维卷积神经网络提取出来后分为3段，再分别输入到3个
BiGRU
单元，每个
BiGRU
单元的神经元个数为
32
；然后将3段输出组合后再输入第二层
BiGRU
中进行提取特征，第二层
BiGRU
中的
BiGRU
单元神经元个数为
64
，并以此进行时序数据建模；第四部分是输出层，经过神经网络的拉伸层，即
Flatten
层将多维数据一维化，通过全连接层进行变换输出预测结果，所采用的损失函数表示为：其中，
Loss
为损失函数；
y
i
为实际输出值；为理论输出值；在步骤3中，利用预处理后的训练样本数据集对预测模型进行训练的过程为：采用聚集寻优算法对卷积神经网络中神经元的参数
w
ne
和
b
ne
进行优化；其中
w
ne
为神经元的权重参数；
b
ne
为神经元的阈值参数；具体优化过程为：首先定义寻优粒子，设置寻优粒子种群中有
n
个寻优粒于，寻优粒子个体状态表示为
X
＝
[x1，
x2，
x3，
…
，
x
n
]
，其中
x
i
为第
i
个寻优粒子的状态，即寻优粒子的位置，也就是参数寻优问题中的自由变量；目标函数用
Y
＝
f(X)
表示；寻优粒子
i、j
之间的距离为
d
ij
＝
||X
i
‑
X
j
||
；寻优粒子的搜索半径为
Visual
；搜索的步长为
Step
；拥挤度因子为
δ
；
x
i
在视野
Visual
内搜索到任意位置
x
j
，若
x
j
位置状态优于
x
i
的位置，则
x
i
向
x
j
位置方向前进一步，到达
x
next
位置；否则，继续搜索视野范围内的其他位置，设置搜索条件的过程表示为：
X
j
＝
X
i
+Visual
·
Rand()
；
其中，
Rand()
为0～1之间的随机数；在行动之前，每个寻优粒子都会从搜寻行为
、
聚集行为
、
追尾行为和随机行为中选择最优的执行，使寻优粒子种群能够到达离最优解更近的位置，具体来说：搜寻行为：假设第
i
个寻优粒子的状态为
x
i
，在其搜索范围内随机选择...

【专利技术属性】
技术研发人员：袁丙青，张绪宝，辛峰，陈亮，曹冬梅，王中平，朱杭杰，
申请(专利权)人：三峡新能源发电阜南有限公司，
类型：发明
国别省市：