【技术实现步骤摘要】
本专利技术属于配电台区储能，尤其涉及一种基于人工智能的台区储能系统充放电控制方法及系统。
技术介绍
1、近年来，随着我国经济的快速发展，居民用电水平持续增长，对配电网的供电能力和供电质量提出了越来越高的要求。现有的台区储能系统的控制方式为固定时间进行充放电，不随光伏发电和负荷变化而进行跟随性控制，导致无法适应光伏发电和负荷变化，存在电能的利用率低、对电网的响应速度较慢、无法实现储能系统最优运行和调度等缺陷。
2、公开号为cn110198043a的专利申请提供了一种配电台区储能柜及其控制方法，包括柜体，所述柜体的内部设置有锂电子电池、电池管理系统、储能双向变流器、监控系统以及配电箱，所述锂电子电池与所述储能双向变流器的直流侧电连接，所述电池管理系统设置在所述锂电子电池的前面板侧，所述配电箱与所述储能双向变流器的交流侧电连接，所述电池管理系统和所述储能双向变流器通信连接所述监控系统，并且所述监控系统通信连接监控中心。此专利虽然记载了对配电台区储能柜控制，但是其对变压器的负荷运行状态无法感知，另外对台区储能系统充放电的时序控制也没有进一步技术方案的说明，仍然存在与现有技术相同的弊端。
3、因此，如何更好地对台区储能系统充放电进行控制，以提高台区储能系统的电能利用率，实现台区储能系统最优化运行及调度，是本
人员亟待解决的问题。
技术实现思路
1、针对现有技术的不足，本专利技术的目的是提供一种基于人工智能的台区储能系统充放电控制方法，以解决现有技术中无法适应光伏
2、为了解决上述技术问题，本专利技术采用了如下的技术方案：
3、第一方面，本专利技术提供了一种基于人工智能的台区储能系统充放电控制方法，包括以下步骤：
4、s10、通过智能量测终端采集历史负荷数据、光伏发电功率数据和历史天气数据；
5、s20、基于所述步骤s10中所采集的数据，通过光伏发电功率预测app进行未来4小时及未来24小时的光伏发电功率预测；
6、s30、基于所述步骤s10中所采集的数据，通过负荷预测app进行未来4小时及未来24小时的用户负荷情况预测；
7、s40、基于步骤s20中的光伏发电功率预测结果和步骤s30中的负荷预测结果，通过智能量测终端生成储能系统的充放电策略。
8、进一步的，所述步骤s40具体包括：
9、功率平衡约束：在台区电网系统中电网及各分布式电源的输出功率与各负荷的所需功率相等，称为功率平衡，功率平衡约束模型如下式所示：
10、egrid(t)+epv(t)＝eess(t)+eload(t)
11、其中，egrid(t)为t时刻大电网供电功率，epv(t)表示t时刻光伏系统功率，eess(t)表示t时刻储能系统功率，为正时储能电池进行充电，为负时储能电池进行放电，eload(t)表示t时刻台区内的基础负载；
12、储能系统约束：在台区调度运行中削峰填谷，平抑光伏系统的功率波动，储能系统在进行充电或放电时，其充放电功率和电池荷电状态都需要约束，其储能系统约束模型如下式所示：
13、
14、
15、eess(t)＝eess,ch(t)*cess(t)+eess,dch(t)*dess(t),t∈{t,tl}
16、
17、
18、0≤cess(t)+dess(t)≤1,t∈{t,tl}
19、其中，socess(t)表示t时刻储能电池荷电状态，eess,ch(t)、eess,dch(t)分别表示t时刻储能系统的充放电功率，分别表示储能系统最大充放电功率，ηess表示储能系统充放电效率，vess表示储能系统的电池容量，表示储能电池荷电状态的最小值和最大值，cess(t)、dess(t)为0-1变量，分别表示时刻储能系统充放电状态；
20、光伏系统约束模型如下式所示：
21、
22、其中，表示光伏最大输出功率，即额定功率；
23、系统优化：通过改进的麻雀优化算法求解最小化目标函数，制定储能系统的充放电策略。
24、进一步的，所述改进的麻雀优化算法是在麻雀优化算法的基础上添加反向学习策略、步长因子动态调整策略和levy飞行策略。
25、进一步的，反向学习策略：通过对立搜索代替麻雀搜索算法的随机搜索，首先随机初始化种群，然后根据初始种群生成其反向种群，从中选择较优的种群作为下一代种群，反向学习策略会选择更靠近最优位置的个体作为种群的最初个体，以便提高种群中所有个体的收敛速度；
26、步长因子动态调整策略：在麻雀优化算法中，步长控制参数β和k用于平衡全局搜索能力与局部开发能力，步长因子动态调整策略是对步长控制参数β和k进行改进，公式如下：
27、
28、
29、其中，fitbest是最佳适应度值，fitworst是最差适应度值，为最大迭代次数；
30、levy飞行策略：levy飞行是非高斯随机步态，步长服从重尾概率分布，在寻找最优解过程中，levy飞行包括短距离中进行局部搜索和长距离中进行全局搜索，相关公式如下：
31、
32、
33、
34、其中，d为空间维度，γ为伽马函数，θ为常数，r1和r2为[0,1]的随机数。
35、目标函数：
36、
37、为当前负荷波峰，为当前负荷波谷，为上一次负荷波峰，为上一次负荷波谷。
38、进一步的，所述充放电策略是依据负荷预测确定负荷波峰的时间和波谷时间，在该时间当台区电网内光伏系统发电量大于台区电网内部负荷功率时，将多余电量存储到储能电池中；当台区电网内光伏系统发电量之和小于台区电网内部负荷功率时，台区电网向储能系统请求释放电能来弥补负荷所缺能量。
39、进一步的，所述步骤s10中，所述历史负荷数据和光伏发力功率数据的采集频率为每15分钟采集一个点，所述历史天气数据包括天气、温度、湿度、风向、风速、风力、压强、降雨概率、日出时间和日落时间。
40、进一步的，所述步骤s20中，进行未来4小时的光伏发电功率预测用以实时调整储能系统充放电策略，进行未来24小时的光伏发电功率预测用以制定未来一天的储能系统充放电策略，光伏发电功率预测采用基于异质聚类的svr算法，聚类算法采用k-means、dbscan和optics。
41、进一步的，所述步骤s30中，负荷预测采用基于小波变换的transformer算法。
42、进一步的，还包括步骤s50：采用平均绝对值百分比误差、平均绝对值误差和均方根误差衡量光伏发电功率预测和负荷预测，采用负荷峰谷差优化百分比衡量储能系统。
43、第本文档来自技高网...
【技术保护点】
1.一种基于人工智能的台区储能系统充放电控制方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于人工智能的台区储能系统充放电控制方法，其特征在于，所述步骤S40具体包括：
3.根据权利要求2所述的一种基于人工智能的台区储能系统充放电控制方法，其特征在于，所述充放电策略是依据负荷预测确定负荷波峰的时间和波谷时间，在该时间当台区电网内光伏系统发电量大于台区电网内部负荷功率时，将多余电量存储到储能电池中；当台区电网内光伏系统发电量之和小于台区电网内部负荷功率时，台区电网向储能系统请求释放电能来弥补负荷所缺能量。
4.根据权利要求2所述的一种基于人工智能的台区储能系统充放电控制方法，其特征在于，所述改进的麻雀优化算法是在麻雀优化算法的基础上添加反向学习策略、步长因子动态调整策略和Levy飞行策略。
5.根据权利要求4所述的一种基于人工智能的台区储能系统充放电控制方法，其特征在于，反向学习策略：通过对立搜索代替麻雀搜索算法的随机搜索，首先随机初始化种群，然后根据初始种群生成其反向种群，从中选择较优的种群作为下一代种群，反向学习策
6.根据权利要求1所述的一种基于人工智能的台区储能系统充放电控制方法，其特征在于，所述步骤S10中，所述历史负荷数据和光伏发力功率数据的采集频率为每15分钟采集一个点，所述历史天气数据包括天气、温度、湿度、风向、风速、风力、压强、降雨概率、日出时间和日落时间。
7.根据权利要求2所述的一种基于人工智能的台区储能系统充放电控制方法，其特征在于，所述步骤S20中，进行未来4小时的光伏发电功率预测用以实时调整储能系统充放电策略，进行未来24小时的光伏发电功率预测用以制定未来一天的储能系统充放电策略，光伏发电功率预测采用基于异质聚类的SVR算法，聚类算法采用K-means、DBSCAN和OPTICS。
8.根据权利要求1所述的一种基于人工智能的台区储能系统充放电控制方法，其特征在于，所述步骤S30中，负荷预测采用基于小波变换的Transformer算法。
9.根据权利要求1所述的一种基于人工智能的台区储能系统充放电控制方法，其特征在于，还包括步骤S50：采用平均绝对值百分比误差、平均绝对值误差和均方根误差衡量光伏发电功率预测和负荷预测，采用负荷峰谷差优化百分比衡量储能系统。
10.一种采用如权利要求1至9所述方法的系统，其特征在于，包括：
...【技术特征摘要】
1.一种基于人工智能的台区储能系统充放电控制方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于人工智能的台区储能系统充放电控制方法，其特征在于，所述步骤s40具体包括：
3.根据权利要求2所述的一种基于人工智能的台区储能系统充放电控制方法，其特征在于，所述充放电策略是依据负荷预测确定负荷波峰的时间和波谷时间，在该时间当台区电网内光伏系统发电量大于台区电网内部负荷功率时，将多余电量存储到储能电池中；当台区电网内光伏系统发电量之和小于台区电网内部负荷功率时，台区电网向储能系统请求释放电能来弥补负荷所缺能量。
4.根据权利要求2所述的一种基于人工智能的台区储能系统充放电控制方法，其特征在于，所述改进的麻雀优化算法是在麻雀优化算法的基础上添加反向学习策略、步长因子动态调整策略和levy飞行策略。
5.根据权利要求4所述的一种基于人工智能的台区储能系统充放电控制方法，其特征在于，反向学习策略：通过对立搜索代替麻雀搜索算法的随机搜索，首先随机初始化种群，然后根据初始种群生成其反向种群，从中选择较优的种群作为下一代种群，反向学习策略会选择更靠近最优位置的个体作为种群的最初个体，以便提高种群中所有个体的收敛速度；
6...
【专利技术属性】
技术研发人员：汪海涛，陶维华，梁润标，黄雪添，刘健锋，许健，易世华，韩跟伟，谢映海，林永铨，刘柏坚，
申请(专利权)人：中山市菊城电力有限公司，
类型：发明
国别省市：
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。