【技术实现步骤摘要】
本专利技术涉及储能系统控制领域，尤其涉及一种基于监督学习的微电网储能系统实时优化控制方法。
技术介绍
1、储能系统广泛应用于微电网系统，尤其是含光伏的微电网，如何实时控制储能电池系统功率，发挥微电网储能系统最大的经济效益至关重要。
2、目前微电网储能实时控制方法主要可以分为基于优化模型的方法和基于强化学习的方法两类，优化模型的方法基于负载和光伏的预测数据，由于光伏发电功率及负荷功率难以准确预测或事先了解其不确定性分布，调度结果受预测模型的影响，难以保证精度。基于强化学习方法减少了对预测模型精度的要求，得到更可靠的调度策略。但是，基于强化学习的方法存在的缺点是：强化学习只适用于低维度的状态空间，难以处理连续的状态和动作。然而微电网储能系统实时优化控制输出的变量是连续的，强化学习方法通常将输出变量离散化，因此牺牲了模型的精度以及调度的灵活性。常见的强化学习算法有q-learning，sarsa，policy gradients等。
技术实现思路
1、为了克服现有微电网储能系统实时控...
【技术保护点】
1.一种基于监督学习的微电网储能系统实时优化控制方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于监督学习的微电网储能系统实时优化控制方法，其特征在于，步骤S1所述的建立含光伏、负荷和储能的微电网储能系统功率控制模型，具体包括：
3.根据权利要求1所述的一种基于监督学习的微电网储能系统实时优化控制方法，其特征在于，步骤S2所述获取储能的预测最优运行功率曲线以及对应SOC变化曲线，具体包括：
4.根据权利要求1所述的一种基于监督学习的微电网储能系统实时优化控制方法，其特征在于，步骤S3所述计算微电网储能系统在日前光伏预...
【技术特征摘要】
1.一种基于监督学习的微电网储能系统实时优化控制方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于监督学习的微电网储能系统实时优化控制方法，其特征在于，步骤s1所述的建立含光伏、负荷和储能的微电网储能系统功率控制模型，具体包括：
3.根据权利要求1所述的一种基于监督学习的微电网储能系统实时优化控制方法，其特征在于，步骤s2所述获取储能的预测最优运行功率曲线以及对应soc变化曲线，具体包括：
4.根据权利要求1所述的一种基于监督学习的微电网储能系统实时优化控制方法，其特征在于，步骤s3所述计算微电网储能系统在日前光伏预测误差模拟曲线集合和所述日前负荷预测误差模拟曲线集合中的理论最优功率曲线集合及对应的理论soc曲线集合，具体包括：
5.根据权利要求1所述的一种基于监督学习的微电网...
【专利技术属性】
技术研发人员：王少鹏，陈思哲，杨苓，许方园，
申请(专利权)人：广东工业大学，
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。