CN117013580A - 基于预测的储能调控方法及其*** - Google Patents

Abstract

公开了一种基于预测的储能调控方法及其***。其首先获取历史电价数据，接着，对所述历史电价数据进行以小时为单位的时序关联分析以得到电价时序关联特征，然后，基于所述电价时序关联特征，确定储能充放电策略。这样，可以避免电池的无效循环充放电，达到减少电池损耗、延长使用寿命的目的，同时还能够保证经济性，在一定程度上提高储能***的性价比和实用价值。

Description

基于预测的储能调控方法及其***

技术领域

本公开涉及智能调控领域，且更为具体地，涉及一种基于预测的储能调控方法及其***。

背景技术

随着全球能源需求的不断增长和可再生能源的普及，储能技术已成为解决能源转型和电网稳定的重要手段之一。储能技术可以通过将电能转化为其他形式的能量储存起来，在需要的时候再将其转化为电能输出，以实现对能源的有效管理和利用。目前，常见的储能技术包括电池储能、超级电容器储能、压缩空气储能、抽水蓄能等。

在电力***中，电池储能***作为一种新兴的储能技术，可以为电网提供灵活的调峰调频服务，改善电力***的稳定性和可靠性。同时，为了更好地利用电池储能***的优势，需要对其进行智能调控，以实现最大程度的能量存储和输出。

基于预测的智能调控方法是一种高效的储能***管理方式。该方法会在一天结束时利用预测得到的第二天的负荷、电价、天气（辐照度）等信息，对第二天的储能动作给出日前的调控策略。在这种方法中，通常会使用多目标或单目标的优化策略进行储能最优化充放电策略。然而，这种优化策略可能会导致很多无效的储能充放电动作，从而降低了储能***的使用寿命。例如，在同一电价下，先充电再放同样容量的电，会造成无效的储能动作，从而浪费了能量资源并降低***效率，无法实现实际收益。

因此，期望一种优化的基于预测的储能调控方案。

发明内容

有鉴于此，本公开提出了一种基于预测的储能调控方法及其***，其可以避免电池的无效循环充放电，达到减少电池损耗、延长使用寿命的目的，同时还能够保证经济性，在一定程度上提高储能***的性价比和实用价值。

根据本公开的一方面，提供了一种基于预测的储能调控方法，其包括：

获取历史电价数据；

对所述历史电价数据进行以小时为单位的时序关联分析以得到电价时序关联特征；以及

基于所述电价时序关联特征，确定储能充放电策略。

根据本公开的另一方面，提供了一种基于预测的储能调控***，其包括：

数据获取模块，用于获取历史电价数据；

时序关联分析模块，用于对所述历史电价数据进行以小时为单位的时序关联分析以得到电价时序关联特征；以及

充放电策略确定模块，用于基于所述电价时序关联特征，确定储能充放电策略。

根据本公开的实施例，其首先获取历史电价数据，接着，对所述历史电价数据进行以小时为单位的时序关联分析以得到电价时序关联特征，然后，基于所述电价时序关联特征，确定储能充放电策略。这样，可以避免电池的无效循环充放电，达到减少电池损耗、延长使用寿命的目的，同时还能够保证经济性，在一定程度上提高储能***的性价比和实用价值。

根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。

附图说明

包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面，并且用于解释本公开的原理。

图1示出根据本公开的实施例的基于预测的储能调控方法的流程图。

图2示出根据本公开的实施例的基于预测的储能调控方法的架构示意图。

图3示出根据本公开的实施例的基于预测的储能调控方法的子步骤S120的流程图。

图4示出根据本公开的实施例的基于预测的储能调控方法的子步骤S123的流程图。

图5示出根据本公开的实施例的基于预测的储能调控方法的子步骤S130的流程图。

图6示出根据本公开的实施例的基于预测的储能调控方法的子步骤S131的流程图。

图7示出根据本公开的实施例的基于预测的储能调控***的框图。

图8示出根据本公开的实施例的基于预测的储能调控方法的应用场景图。

图9示出应用多目标优化算法后计算出的在分时电价情况下储能的最优充放电功率，以实现全天最高的经济收益的示意图。

图10示出电价曲线进行离散化处理的示意图。

图11和图12分别示出了在分时电价和实时电价情况下，储能充放电动作经过处理后得到的优化后结果的示意图。

具体实施方式

下面将结合附图对本公开实施例中的技术方案进行清楚、完整地描述，显而易见地，所描述的实施例仅仅是本公开的部分实施例，而不是全部的实施例。基于本公开实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，也属于本公开保护的范围。

如本公开和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。

以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。

另外，为了更好的说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。

针对上述技术问题，在本公开的技术方案中，提出了一种基于预测的储能调控策略的后处理方法，其可以对储能***的充放电动作进行优化调整。具体来说，其能够通过识别电价保持不变的时间段，并对这些时间段内的充放电结果进行修正，例如可以将无效的正负交替充放电状态转化为单一的充电或放电状态。这样，可以避免电池的无效循环充放电，达到减少电池损耗、延长使用寿命的目的，同时还能够保证经济性，在一定程度上提高储能***的性价比和实用价值。

具体地，图1示出根据本公开的实施例的基于预测的储能调控方法的流程图。图2示出根据本公开的实施例的基于预测的储能调控方法的架构示意图。如图1和图2所示，根据本公开实施例的基于预测的储能调控方法，包括步骤：S110，获取历史电价数据；S120，对所述历史电价数据进行以小时为单位的时序关联分析以得到电价时序关联特征；以及，S130，基于所述电价时序关联特征，确定储能充放电策略。

相应地，在本公开的技术方案中，首先，获取历史电价数据。应可以理解，由于电价在一天内可能会出现多次波动，特别是在高峰和低谷时段。并且，不同时间段的用电需求可能存在差异，例如，白天人们的用电需求通常较高，而夜间较低。因此，在本公开的技术方案中，为了能够识别电价保持不变的时间段，并对这些时间段内的充放电结果进行修正，需要将所述历史电价数据以小时为时间单位进行划分以得到24个电价序列。这样，通过对于所述历史数据按小时为单位进行划分，以便于能够对于每个小时内的历史电价数据进行分析，从而更好地进行电价变化情况的检测，且能够更好地理解电价与用电需求之间的关系和储能***的充放电行为，有助于制定更精确的储能调控策略。

然后，考虑到由于按照24小时划分的电价历史数据在各天的时间维度上具有着时序的动态变化规律性，也就是说，所述24个电价序列中的每个电价序列的各个电价数据之间具有着时序的关联关系。并且，由于电价的波动性和不确定性导致电价在时间维度上的不同时间跨度下呈现出不同的变化规律，并且，这种电价的时序变化特征信息较为微弱，难以进行有效捕捉。因此，为了能够充分地进行每小时内的有关于所述电价数据在各天的时序变化情况分析，在本公开的技术方案中，将所述24个电价序列分别排列为输入向量以得到24个电价输入向量后，进一步再将所述24个电价输入向量分别通过包含第一卷积层和第二卷积层的电价时序关联特征提取器以得到24个电价时序特征向量。特别地，这里，所述第一卷积层和所述第二卷积层使用不同尺度的一维卷积核来分别进行所述24个电价输入向量的特征挖掘，以分别提取出所述24个电价输入向量中每小时内的有关于所述电价数据在各天的时序多尺度关联特征信息。

进一步地，由于所述电价数据不仅在以小时为单位的各天之间具有着时序的变化特征，而且在全天24小时内也具有着时序的关联性关系。为了能够有效地捕捉到电价数据在24小时内的时序关联和变化情况，以有效识别电价保持不变的时间段，在本公开的技术方案中，进一步将所述24个电价时序特征向量通过基于转换器模块的电价全时序关联编码器中进行编码，以提取出以各小时为单位的有关于电价数据在各天的时序变化特征基于24小时时序全局的上下文关联特征信息，从而得到全时序电价上下文关联特征向量。

相应地，如图3所示，对所述历史电价数据进行以小时为单位的时序关联分析以得到电价时序关联特征，包括：S121，将所述历史电价数据以小时为时间单位进行划分以得到24个电价序列；S122，将所述24个电价序列分别排列为输入向量以得到24个电价输入向量；S123，通过基于深度神经网络模型的电价时序关联特征提取器分别对所述24个电价输入向量进行特征提取以得到24个电价时序特征向量；以及，S124，对所述24个电价时序特征向量进行时序关联分析以得到全时序电价上下文关联特征向量作为所述电价时序关联特征。

更具体地，在步骤S123中，所述基于深度神经网络模型的电价时序关联特征提取器为包含第一卷积层和第二卷积层的电价时序关联特征提取器。应可以理解，基于深度神经网络模型的电价时序关联特征提取器的作用是对电价数据进行特征提取，以捕捉其时序关联特征。具体来说，该特征提取器包含第一卷积层和第二卷积层，可以通过卷积操作对电价输入向量进行处理，提取出不同时间尺度上的特征。深度神经网络在处理时序数据时具有较强的表达能力和特征提取能力，可以学习到数据中的复杂模式和时序关联信息。卷积层在时序数据处理中常用于捕捉局部特征和时序模式，通过滑动窗口的方式对输入进行卷积操作，从而提取出不同时间段内的特征。通过使用基于深度神经网络模型的电价时序关联特征提取器，可以将电价数据转化为具有更高层次的特征表示，使得后续的时序关联分析更加准确和有效。这些提取到的特征可以用于构建预测模型、进行异常检测、进行数据可视化等任务，帮助用户更好地理解和利用电价数据。

更具体地，如图4所示，通过基于深度神经网络模型的电价时序关联特征提取器分别对所述24个电价输入向量进行特征提取以得到24个电价时序特征向量，包括：S1231，使用所述基于深度神经网络模型的电价时序关联特征提取器的第一卷积层以具有第一长度的一维卷积核分别对所述24个电价输入向量进行一维卷积编码以得到24个第一尺度电价时序特征向量；S1232，使用所述基于深度神经网络模型的电价时序关联特征提取器的第二卷积层以具有第二长度的一维卷积核分别对所述24个电价输入向量进行一维卷积编码以得到24个第二尺度电价时序特征向量，所述第二长度不同于所述第一长度；以及，S1233，将所述24个第一尺度电价时序特征向量和所述24个第二尺度电价时序特征向量分别进行级联以得到所述24个电价时序特征向量。

更具体地，在步骤S124中，对所述24个电价时序特征向量进行时序关联分析以得到全时序电价上下文关联特征向量作为所述电价时序关联特征，包括：将所述24个电价时序特征向量通过基于转换器模块的电价全时序关联编码器以得到所述全时序电价上下文关联特征向量。应可以理解，转换器模块是一种用于处理序列数据的神经网络模块，它在时序关联分析中起到重要的作用。转换器模块可以对输入序列进行编码和解码操作，从而学习到序列数据之间的关联性。在电价时序关联分析中，转换器模块可以用于对24个电价时序特征向量进行全时序关联编码，得到全时序电价上下文关联特征向量。具体来说，转换器模块可以将每个时序特征向量作为输入，并通过编码过程将其转换为一个全时序的表示。这个全时序的表示包含了整个时间序列的上下文关联信息，可以更好地捕捉电价数据的时序关联特征。转换器模块通常由编码器和解码器组成。编码器负责将输入序列转换为一个高维特征表示，捕捉序列中的关联信息。解码器则将编码后的特征表示解码为全时序的上下文关联特征向量。通过这种编码和解码的过程，转换器模块能够学习到序列数据中的时序关联性，并将其表示为一个全时序的特征向量。利用转换器模块进行电价全时序关联编码，可以提取出更全面和准确的电价时序关联特征，这些特征可以用于进一步的分析、建模和预测，帮助用户更好地理解和利用电价数据。

进一步地，再将所述全时序电价上下文关联特征向量分别通过第一至第二十四解码器以得到第一至第二十四解码值，所述第一至第二十四解码值用于表示第二天各个小时的预测电价值。也就是说，利用以小时为单位的全时序电价关联特征信息来进行解码，从而得到第二天各小时的预测电价值，并基于所述第一至第二十四解码值，确定储能充放电策略。具体来说，可以从所述第一至第二十四解码值中识别出电价保持不变的时间段，并将所述时间段的储能充放电策略设置为单一的充电或放电状态，以此来对储能***的充放电动作进行优化调整。

相应地，如图5所示，基于所述电价时序关联特征，确定储能充放电策略，包括：S131，对所述全时序电价上下文关联特征向量进行特征分布优化以得到优化全时序电价上下文关联特征向量；S132，将所述优化全时序电价上下文关联特征向量分别通过第一至第二十四解码器以得到第一至第二十四解码值，所述第一至第二十四解码值用于表示第二天各个小时的预测电价值；以及，S133，基于所述第一至第二十四解码值，确定储能充放电策略。

值得一提的是，解码器是一种神经网络结构，用于将输入的编码表示解码为目标输出，这里，解码器用于将优化后的全时序电价上下文关联特征向量转换为第二天各个小时的预测电价值。具体而言，S132步骤将优化后的全时序电价上下文关联特征向量输入到第一至第二十四个解码器中，每个解码器对应一天中的一个小时，因此一共有二十四个解码器。每个解码器的输出是对应小时的预测电价值。解码器的作用是通过学习输入与输出之间的映射关系，将编码表示转换为目标输出。在这种情况下，解码器学习将优化后的全时序电价上下文关联特征向量转换为预测电价值。通过使用多个解码器，可以同时预测第二天各个小时的电价值，从而确定储能充放电策略。解码器通常由神经网络中的逆卷积层或逆循环层组成，用于逐步恢复输入数据的细节和结构，它们在各种任务中都有广泛的应用，例如图像生成、语音合成和序列生成等，在这个场景中，解码器用于生成预测电价值序列，以支持储能充放电策略的决策过程。

更具体地，如图6所示，对所述全时序电价上下文关联特征向量进行特征分布优化以得到优化全时序电价上下文关联特征向量，包括：S1311，将所述24个电价时序特征向量进行级联以得到电价时序级联特征向量；以及，S1312，对所述电价时序级联特征向量和所述全时序电价上下文关联特征向量进行非齐次希尔伯特面上空间自适应点学习以得到所述优化全时序电价上下文关联特征向量。应可以理解，在步骤S1311中，这一步骤的目的是将每个小时的电价特征向量连接在一起，形成一个长序列，以便更好地捕捉电价的时序关联性，通过级联操作，可以将时间维度的信息整合到一个向量中，为后续的特征优化提供更全面的时间上下文；在步骤S1312中，这一步骤的目的是通过学习适应性的点表示，优化全时序电价上下文关联特征向量，非齐次希尔伯特面上空间自适应点学习是一种基于点云的学习方法，它可以在高维空间中学习到数据的分布特征，并通过调整点的位置和密度来优化特征表示，通过这种学习方法，可以更好地捕捉电价时序特征的关联性和分布情况，从而得到优化的全时序电价上下文关联特征向量。综合来说，S1311和S1312步骤通过级联操作和非齐次希尔伯特面上空间自适应点学习，对电价时序特征进行优化和整合，以获得更准确和全面的全时序电价上下文关联特征向量，为后续的储能充放电策略确定提供更可靠的特征表示。

特别地，在本公开的技术方案中，将所述24个电价时序特征向量通过基于转换器模块的电价全时序关联编码器以得到所述全时序电价上下文关联特征向量时，所述基于转换器的电价全时序关联编码器会对所述电价时序特征向量表达的以小时为单位的局部时域内的电价局部时序关联特征进行全天的全局时域内上下文关联编码，因此，其也会在一定程度上偏离小时局部时域内的电价局部时序关联特征，由此期望通过所述24个电价时序特征向量的局部时域内的电价局部时序关联特征表达来优化所述全时序电价上下文关联特征向量。

这里，本公开的申请人考虑到所述电价时序特征向量与所述全时序电价上下文关联特征向量之间的非齐次的逐点对应性，也就是，所述电价时序特征向量表达局部时域内的基于卷积层的卷积核尺度的局部时序关联特征，而所述全时序电价上下文关联特征向量表达小时时域间的全天时域尺度下的全局时域关联特征，因此首先将所述24个电价时序特征向量级联以得到的电价时序级联特征向量，例如记为，在对所述电价时序级联特征向量/>和所述全时序电价上下文关联特征向量，例如记为/>进行非齐次希尔伯特面上空间自适应点学习，来对所述全时序电价上下文关联特征向量进行优化。

相应地，在一个具体示例中，对所述电价时序级联特征向量和所述全时序电价上下文关联特征向量进行非齐次希尔伯特面上空间自适应点学习以得到所述优化全时序电价上下文关联特征向量，包括：以如下优化公式对所述电价时序级联特征向量和所述全时序电价上下文关联特征向量进行非齐次希尔伯特面上空间自适应点学习以得到所述优化全时序电价上下文关联特征向量；其中，所述优化公式为：其中，/>是所述电价时序级联特征向量，/>是所述全时序电价上下文关联特征向量，/>表示转置操作，/>，/>和/>表示基于吉尔伯特空间的非齐次闵式距离，且/>和/>为超参数，/>和/>分别是特征向量/>和/>的全局特征均值，且特征向量/>和/>均为行向量，/>为按位置点乘，/>为按位置加法，/>表示协方差矩阵，/>是所述优化全时序电价上下文关联特征向量。

这样，通过以非齐次的吉尔伯特空间度量对所述电价时序级联特征向量和所述全时序电价上下文关联特征向量/>之间的向量点关联进行一维卷积，可以针对所述电价时序级联特征向量/>和所述全时序电价上下文关联特征向量/>的高维特征表示的特征流形在高维特征空间内具有的非轴对齐（non-axis alignment）特性，在基于希尔伯特空间的流形收敛超平面的面上空间向着超平面进行自适应点学习，并以面向所述电价时序级联特征向量/>和所述全时序电价上下文关联特征向量/>各自分布收敛方向的空中度量（aerial measurement）为修正，提升了所述电价时序级联特征向量/>和所述全时序电价上下文关联特征向量/>间的非齐次逐点融合性，从而提升优化后的全时序电价上下文关联特征向量/>的融合表达效果，以改进其通过解码器得到的解码值的准确性。这样，能够通过识别电价保持不变的时间段，对储能***的充放电动作进行优化调整，以此来避免电池的无效循环充放电，达到减少电池损耗、延长使用寿命的目的，同时还能够保证经济性，在一定程度上提高储能***的性价比和实用价值。

进一步地，在步骤S133中，基于所述第一至第二十四解码值，确定储能充放电策略，包括：从所述第一至第二十四解码值中识别出电价保持不变的时间段，并将所述时间段的储能充放电策略设置为单一的充电或放电状态。

综上，基于本公开实施例的基于预测的储能调控方法，其可以避免电池的无效循环充放电，达到减少电池损耗、延长使用寿命的目的，同时还能够保证经济性，在一定程度上提高储能***的性价比和实用价值。

图7示出根据本公开的实施例的基于预测的储能调控***100的框图。如图7所示，根据本公开实施例的基于预测的储能调控***100，包括：数据获取模块110，用于获取历史电价数据；时序关联分析模块120，用于对所述历史电价数据进行以小时为单位的时序关联分析以得到电价时序关联特征；以及，充放电策略确定模块130，用于基于所述电价时序关联特征，确定储能充放电策略。

这里，本领域技术人员可以理解，上述基于预测的储能调控***100中的各个单元和模块的具体功能和操作已经在上面参考图1到图6的基于预测的储能调控方法的描述中得到了详细介绍，并因此，将省略其重复描述。

如上所述，根据本公开实施例的基于预测的储能调控***100可以实现在各种无线终端中，例如具有基于预测的储能调控算法的服务器等。在一种可能的实现方式中，根据本公开实施例的基于预测的储能调控***100可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如，该基于预测的储能调控***100可以是该无线终端的操作***中的一个软件模块，或者可以是针对于该无线终端所开发的一个应用程序；当然，该基于预测的储能调控***100同样可以是该无线终端的众多硬件模块之一。

替换地，在另一示例中，该基于预测的储能调控***100与该无线终端也可以是分立的设备，并且该基于预测的储能调控***100可以通过有线和/或无线网络连接到该无线终端，并且按照约定的数据格式来传输交互信息。

图8示出根据本公开的实施例的基于预测的储能调控方法的应用场景图。如图8所示，在该应用场景中，首先，获取历史电价数据（例如，图8中所示意的D），然后，将所述历史电价数据输入至部署有基于预测的储能调控算法的服务器中（例如，图8中所示意的S），其中，所述服务器能够使用所述基于预测的储能调控算法对所述历史电价数据进行处理以得到用于表示第二天各个小时的预测电价值的第一至第二十四解码值，然后，基于所述第一至第二十四解码值，确定储能充放电策略。

进一步地，在本公开的技术方案的另一个实施例中，基于预测的储能调控***通常根据预测的负荷和电价（实时电价需要预测，而分时电价则无需预测）来对一段时间（如一天）内的储能充放电功率进行优化。如果目标只有最大储能收益，则为单目标优化；若还需考虑其他目标，如光伏消纳率，则为多目标优化。在此过程中，需遵循以下约束条件：充放电功率不得超过额定功率；电池实时容量需小于最大容量，且大于电池的最低容量。

基于预测的储能调控***通常根据预测的负荷和电价（实时电价需要预测，而分时电价则无需预测）来对一定时间范围（如一天）内的储能充放电功率进行优化。如果优化目标仅考虑最大储能收益，则为单目标优化；若还需考虑其他目标，如光伏消纳率，则为多目标优化。在此过程中，一般需遵循以下约束条件：充放电功率不得超过额定功率；电池实时容量需小于最大容量，且大于电池的最低容量。这些约束条件可以确保优化结果的可行性，避免对电池和逆变器造成过大损害。在多目标优化中，还需要确定各目标的权重，以平衡不同目标之间的关系。合理的目标权重可以使优化结果在多个目标间取得较好的平衡。通过上述方法，可以根据负荷和电价预测结果，精确计算出在一定时间范围内的最优储能充放电策略，实现较高的经济效益和其他目标。选择适当的预测模型和优化算法也会对最终结果产生较大影响。

综上，基于预测的储能调控***可以根据日前的信息，提前规划出下一天的最佳充放电策略，以实现经济性和其他目标的平衡，并确保电池和设备的安全运行。

然而，这种基于预测的储能调控方式存在一定问题，可能会导致许多无效的储能充放电动作。例如，在同一电价时段内，先进行1C充电，再进行1C放电。虽然不会产生经济收益或损失，但这种无效的充放电动作会明显降低储能***的使用寿命。如图9所示，图中展示了应用多目标优化算法SMS-EMOA（Multi-objective selection based on dominatedhypervolume）后计算出的在分时电价情况下储能的最优充放电功率，以实现全天最高的经济收益。然而，在图中8:00之前，尽管电价保持固定，优化后的充放电功率却出现了正负交替的状态。这种充放电动作虽然会对电池本身造成损耗，但却不会产生任何经济收益。因此，提出的方法是对上述无效的充放电动作进行进一步优化，以消除无效的充放电行为。

对于分时电价，电价每日保持固定，且以阶梯状变化。提出的方法是：在电价保持不变的每个时间段内，对上述充放电功率的结果进行进一步处理，计算出该时间段内的总充/放电量，然后将总充/放电量除以该时间段的持续时间，从而得到在此期间的平均充/放电功率。如果原充放电功率出现正负交替的状态，那么：1.进一步处理后的结果必然会消除这种充放电功率正负交替的行为，转为单一的充电或放电状态；2.平均充/放电功率将低于优化前的平均功率，从而有效减少电芯的发热。通过上述方法，可以消除充放电功率的正负交替，降低电芯的平均功率和发热，延长电池的使用寿命。

针对实时变化的电价，电价并非每日保持固定不变，而是以连续变化的曲线形式出现（非阶梯状）。提出的方法是：首先对连续变化的电价曲线进行离散化处理，如图10所示。原始的电价曲线以深色表示（位于上方的曲线），经离散化处理后的电价曲线以浅色表示（图中离散为10个点）。离散化处理可以使电价曲线更易于计算和处理。具体来说，将一天内的电价曲线等分为多个段，每个段内的电价视为固定值，并取每个段的中间值作为该段的电价。

通过上述离散化处理，可以将变化复杂的电价曲线转化为一系列固定电价值，从而简化后续电价预测和用户电费计算。此外，选择合理的离散化密度还可以在一定程度上保持电价曲线的变化趋势，使离散化的拟合结果更为准确。

将电价曲线离散后之后，即可按照分时电价的情况进行处理。完整的python代码如下：

def discretize_array(continuous_array, num_discrete_values):

"""

将连续数组离散化为指定数量的离散值数组

Args:

continuous_array (numpy.ndarray): 连续数组

num_discrete_values (int): 离散值的数量

Returns:

numpy.ndarray: 离散化后的数组

"""

# 计算离散值的范围

min_value = np.min(continuous_array)

max_value=np.max(continuous_array)

# 使用numpy的linspace函数计算离散值

discrete_values=np.linspace(min_value,max_value, num_discrete_values)

# 使用numpy的digitize函数计算离散值对应的索引

indices = np.digitize(continuous_array, discrete_values) - 1

# 使用索引从离散值数组中获取对应的离散化后的值

discretized_array = discrete_values[indices]

return discretized_array

def post_process(price, X):

"""

参数:

price: 原始电价曲线,一维数组

X: 需要调整的一维数组

返回:

X_: 调整后的X,一维数组

步骤:

1. 如果price电价曲线是连续的,将其离散化,得到price_。否则price_=price。

2. 基于price_将X分割成多个子数组。找到price_中不同元素的索引,使用np.split()函数分割。

3. 调整每个子数组X的平均值,使之相等。计算每个子数组X的平均值,重复该平均值使每个子数组的X的平均值相等。

4. 连接调整后的每个子数组,形成最终的X_。

"""

# step1: 如果price电价曲线是连续的，将其离散化

if np.unique(price).shape[0]>10:

price_ = discretize_array(price, cfg.discrete_num)

else:

price_ = price

# step2: 基于离散化的price电价曲线，在每一段中对X进行操作

# 找到不同元素的索引

split_idx = np.where(np.diff(price_) != 0)[0] + 1

# 使用np.split()函数将数组分割成多个子数组

sub_arrays = np.split(price_, split_idx)

# 将最后一个子数组添加到结果列表中

price_matrix = []

for i in range(len(sub_arrays)):

if i == len(sub_arrays) - 1:

price_matrix.append(list(sub_arrays[i]))

else:

price_matrix.append([sub_arrays[i][0]]* len(sub_arrays[i]))

# step3: 调整X的值，使得每一段的X的平均值相等

index = 0

X_ = []

for i in price_matrix:

X_.extend([np.sum(X[index:index + len(i)]) / len(i)]* len(i))

index += len(i)

X_ = np.array(X_).flatten()

return X_

图11和图12分别展示了在分时电价和实时电价情况下，储能充放电动作经过本发明提出的方法处理后得到的优化后结果。

储能调控策略的后处理方法可以进一步优化现有的储能充放电策略，通过识别电价保持不变的时间段，并对这些时间段内的充放电结果进行修正，可以将无效的正负交替充放电状态转化为单一的充电或放电状态。这可以避免电池的无效循环充放电，达到减少电池损耗、延长使用寿命的目的，同时保证经济性。这可以在一定程度上提高储能***的性价比和实用价值。

附图中的流程图和框图显示了根据本公开的多个实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的***来实现，或者可以用专用硬件与计算机指令的组合来实现。

以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (10)

1.一种基于预测的储能调控方法，其特征在于，包括：

获取历史电价数据；

对所述历史电价数据进行以小时为单位的时序关联分析以得到电价时序关联特征；以及

基于所述电价时序关联特征，确定储能充放电策略。

2.根据权利要求1所述的基于预测的储能调控方法，其特征在于，对所述历史电价数据进行以小时为单位的时序关联分析以得到电价时序关联特征，包括：

将所述历史电价数据以小时为时间单位进行划分以得到24个电价序列；

将所述24个电价序列分别排列为输入向量以得到24个电价输入向量；

通过基于深度神经网络模型的电价时序关联特征提取器分别对所述24个电价输入向量进行特征提取以得到24个电价时序特征向量；以及

对所述24个电价时序特征向量进行时序关联分析以得到全时序电价上下文关联特征向量作为所述电价时序关联特征。

3.根据权利要求2所述的基于预测的储能调控方法，其特征在于，所述基于深度神经网络模型的电价时序关联特征提取器为包含第一卷积层和第二卷积层的电价时序关联特征提取器。

4.根据权利要求3所述的基于预测的储能调控方法，其特征在于，通过基于深度神经网络模型的电价时序关联特征提取器分别对所述24个电价输入向量进行特征提取以得到24个电价时序特征向量，包括：

使用所述基于深度神经网络模型的电价时序关联特征提取器的第一卷积层以具有第一长度的一维卷积核分别对所述24个电价输入向量进行一维卷积编码以得到24个第一尺度电价时序特征向量；

使用所述基于深度神经网络模型的电价时序关联特征提取器的第二卷积层以具有第二长度的一维卷积核分别对所述24个电价输入向量进行一维卷积编码以得到24个第二尺度电价时序特征向量，所述第二长度不同于所述第一长度；以及

将所述24个第一尺度电价时序特征向量和所述24个第二尺度电价时序特征向量分别进行级联以得到所述24个电价时序特征向量。

5.根据权利要求4所述的基于预测的储能调控方法，其特征在于，对所述24个电价时序特征向量进行时序关联分析以得到全时序电价上下文关联特征向量作为所述电价时序关联特征，包括：

将所述24个电价时序特征向量通过基于转换器模块的电价全时序关联编码器以得到所述全时序电价上下文关联特征向量。

6.根据权利要求5所述的基于预测的储能调控方法，其特征在于，基于所述电价时序关联特征，确定储能充放电策略，包括：

对所述全时序电价上下文关联特征向量进行特征分布优化以得到优化全时序电价上下文关联特征向量；

将所述优化全时序电价上下文关联特征向量分别通过第一至第二十四解码器以得到第一至第二十四解码值，所述第一至第二十四解码值用于表示第二天各个小时的预测电价值；以及

基于所述第一至第二十四解码值，确定储能充放电策略。

7.根据权利要求6所述的基于预测的储能调控方法，其特征在于，对所述全时序电价上下文关联特征向量进行特征分布优化以得到优化全时序电价上下文关联特征向量，包括：

将所述24个电价时序特征向量进行级联以得到电价时序级联特征向量；以及

对所述电价时序级联特征向量和所述全时序电价上下文关联特征向量进行非齐次希尔伯特面上空间自适应点学习以得到所述优化全时序电价上下文关联特征向量。

8.根据权利要求7所述的基于预测的储能调控方法，其特征在于，对所述电价时序级联特征向量和所述全时序电价上下文关联特征向量进行非齐次希尔伯特面上空间自适应点学习以得到所述优化全时序电价上下文关联特征向量，包括：

以如下优化公式对所述电价时序级联特征向量和所述全时序电价上下文关联特征向量进行非齐次希尔伯特面上空间自适应点学习以得到所述优化全时序电价上下文关联特征向量；

其中，所述优化公式为：

其中，是所述电价时序级联特征向量，/>是所述全时序电价上下文关联特征向量，表示转置操作，/>，/>和/>表示基于吉尔伯特空间的非齐次闵式距离，且和/>为超参数，/>和/>分别是特征向量/>和/>的全局特征均值，且特征向量/>和/>均为行向量，/>为按位置点乘，/>为按位置加法，/>表示协方差矩阵，/>是所述优化全时序电价上下文关联特征向量。

9.根据权利要求8所述的基于预测的储能调控方法，其特征在于，基于所述第一至第二十四解码值，确定储能充放电策略，包括：

从所述第一至第二十四解码值中识别出电价保持不变的时间段，并将所述时间段的储能充放电策略设置为单一的充电或放电状态。

10.一种基于预测的储能调控***，其特征在于，包括：

数据获取模块，用于获取历史电价数据；

时序关联分析模块，用于对所述历史电价数据进行以小时为单位的时序关联分析以得到电价时序关联特征；以及

充放电策略确定模块，用于基于所述电价时序关联特征，确定储能充放电策略。