【技术实现步骤摘要】
本专利技术涉及储能套利优化领域，尤其是计及电池衰减成本的储能系统套利端到端方法。
技术介绍
1、储能系统可通过低电价时充电、高电价时放电实现套利，电价预测是储能套利优化的输入条件，是影响储能套利高低的关键因素。
2、储能系统运行优化包括“先预测后优化”和端到端预测方式。传统的储能系统套利优化方法多采用“先预测后优化”的框架，将电价预测和套利优化分为两个独立的过程在此框架下，通过尽可能提高预测精度来优化最终的决策效益。然而，以最小化预测误差来优化决策效益的方法忽略了预测误差和决策误差之间的不一致性，即决策效益与预测精度之间的关系是不对称、非线性的，因此较低的平均预测误差不一定产生更好的决策收益。此外，传统的储能系统套利优化没有考虑电池的衰减成本，储能系统的电池容量在频繁的充放电过程中会发生显著衰减，如未计及衰减成本会影响其全寿命周期内的整体收益。
3、端到端预测方法在模型学习过程中直接优化任务的总体目标，在预测与优化相结合的过程中，以最优决策与实际决策之间的误差，即决策误差，作为损失函数对模型进行训练，形成闭环训练...
【技术保护点】
1.计及电池衰减成本的储能系统套利端到端方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的计及电池衰减成本的储能系统套利端到端方法，其特征在于，建立基于深度神经网络的电价预测模型，并初始化电价预测模型参数：
3.根据权利要求1所述的计及电池衰减成本的储能系统套利端到端方法，其特征在于，建立储能电池衰减成本模型：
4.根据权利要求1所述的计及电池衰减成本的储能系统套利端到端方法，其特征在于，根据储能系统运行约束，建立储能套利优化模型：
5.根据权利要求1所述的计及电池衰减成本的储能系统套利端到端方法，其特征在于，收...
【技术特征摘要】
1.计及电池衰减成本的储能系统套利端到端方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的计及电池衰减成本的储能系统套利端到端方法，其特征在于，建立基于深度神经网络的电价预测模型，并初始化电价预测模型参数：
3.根据权利要求1所述的计及电池衰减成本的储能系统套利端到端方法，其特征在于，建立储能电池衰减成本模型：
4.根据权利要求1所述的计及电池衰减成本的储能系统套利端到端方法，其特征在于，根据储能系统运行约束，建立储能套利优化模型：
5.根据权利要求1所述的计及电池衰减成本的储能系统套利端到端方法，其特征在于，收集历史数据，并进行数据预处理，形成用于训练电价预测模型所需要的训练数据集：
6.根据权利要求2所述的计及电池衰减成本的储能系统套利端到端方法，其特征在于，建立以电价预测误差最...
【专利技术属性】
技术研发人员：柳劲松，欧阳嘉浩，柴炜，徐潇源，方陈，高元海，刘舒，严正，雷兴，胡允东，张永强，
申请(专利权)人：国网上海市电力公司，
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。