CN117574071A - 一种电池储能***充放电策略优化方法、装置及*** - Google Patents

一种电池储能***充放电策略优化方法、装置及*** Download PDF

Info

Publication number
CN117574071A
CN117574071A CN202311593746.3A CN202311593746A CN117574071A CN 117574071 A CN117574071 A CN 117574071A CN 202311593746 A CN202311593746 A CN 202311593746A CN 117574071 A CN117574071 A CN 117574071A
Authority
CN
China
Prior art keywords
sequence
charge
period
charging
electric quantity
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202311593746.3A
Other languages
English (en)
Inventor
潘涛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jichu Energy Shanghai Co ltd
Original Assignee
Jichu Energy Shanghai Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Jichu Energy Shanghai Co ltd filed Critical Jichu Energy Shanghai Co ltd
Priority to CN202311593746.3A priority Critical patent/CN117574071A/zh
Publication of CN117574071A publication Critical patent/CN117574071A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/10—Flexible AC transmission systems [FACTS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Business, Economics & Management (AREA)
  • Computational Linguistics (AREA)
  • Economics (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Public Health (AREA)
  • Probability & Statistics with Applications (AREA)
  • Water Supply & Treatment (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Power Engineering (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

本发明公开一种电池储能***充放电策略优化方法、装置及***，涉及储能技术领域。方法包括：获取电池储能***的第一历史负荷序列，预处理得到第二历史电量序列以及第三历史电量序列，进而得到第一预测负荷序列，以及第三预测电量序列；对第二历史电量序列进行聚类，得到电量比例序列；根据第三预测电量序列以及电量比例序列，得到优化时段内电池储能***的第二预测负荷序列；根据第一预测负荷序列、第二预测负荷序列，得到优化时段内电池储能***的优化充放电功率序列以及优化需量，作为优化后的目标充放策略。通过实施本申请实施例提供的技术方案，可以准确预测每月电量消耗，优化支配于消耗电量的资源。

Description

一种电池储能***充放电策略优化方法、装置及***
技术领域
本发明涉及储能技术领域，特别涉及一种电池储能***充放电策略优化方法、装置及***。
背景技术
电池储能技术具有能量密度大、占地面积小、噪音低、建设周期短等特点，现已作为一种重要的辅助供电手段，应用于工商业用户的供电***。借助电池储能技术，在两部制电价背景下，用电单位根据用电实体的日常用电量，以及电价的峰、谷时段，可以对电池储能***的充、放电策略进行灵活调度，在保障用电实体正常运行的基础上，实现资源优化配置。
目前，对于电池储能***的充、放电策略主要基于人为经验进行设置：通常在中午、或夜间的电价谷时段，设置电池储能***进行充电，在电价峰时段设置电池储能***对用电实体进行放电；亦存在基于未来一天的用户负荷预测数据，制定电池储能***充、放电策略的方案。但是，人为预设的电池储能***充、放电策略难以根据用户负荷的波动特征、电池储能***容量、充放电特征，对电池储能***的充、放电功率进行动态调整、跟踪。而基于未来一天用户负荷预测数据制定的电池储能***充、放电策略，虽然一定程度上实现了对电池储能***充、放电策略的跟踪、优化，但是，仅考虑未来一天用户负荷的预测数据，难以从需量结算周期(通常为一个月)的角度对电池储能***的充、放电策略进行自动优化。因此，亟需一种电池储能***充放电策略优化方法、装置及***，对电池储能***的充、放电功率进行调度，优化资源配置。
发明内容
为了解决在需量结算周期内对电池储能***充、放电功率进行准确预测的问题。本申请提供以下技术方案：
第一方面，提供一种电池储能***充放电策略优化方法，在当前优化周期，优化电池储能***的目标充放策略，包括：
获取电池储能***的第一历史负荷序列，并对第一历史负荷序列进行预处理，得到第二历史电量序列以及第三历史电量序列；
根据第一历史负荷序列得到第一预测负荷序列，根据第三历史电量序列得到第三预测电量序列；
对第二历史电量序列进行聚类，得到电量比例序列，其中，电量比例序列对应于每日各整点时段电量占每日总电量比例的序列；
根据第三预测电量序列以及电量比例序列，得到优化时段内电池储能***的第二预测负荷序列；
根据第一预测负荷序列、第二预测负荷序列，得到优化时段内电池储能***的优化充放电功率序列以及优化需量，作为优化后的目标充放策略。
进一步地，对第一历史负荷序列进行预处理，包括：
将第一历史负荷序列中对应于整点时段的若干数据进行积分，累加积分结果，将累加结果按时间顺序排列，作为第二历史电量序列；
将第二历史电量序列中对应于一日的若干数据进行累加，将累加结果按时间顺序排列，作为第三历史电量序列。
进一步地，根据第一历史负荷序列得到第一预测负荷序列，根据第三历史电量序列得到第三预测电量序列包括：
使用第一历史负荷序列训练第一预设神经网络，得到第一预测模型；
使用第一预测模型外推得到第一预测负荷序列；
使用第三历史电量序列训练第二预设神经网络，得到第三预测模型；
使用第三预测模型外推得到第三预测电量序列。
进一步地，对第二历史电量序列进行聚类，得到电量比例序列，包括：
在第二历史电量序列，统计每日各整点时段电量占当日总电量的比例，得到第二历史比例序列；
使用聚类模型对第二历史比例序列进行聚类，得到电量比例序列。
进一步地，据第三预测电量序列以及电量比例序列，得到优化时段内电池储能***的第二预测负荷序列，包括：
从第三预测电量序列中，对覆盖优化时段的数据按时间顺序排列，得到日电量预测序列；
对日电量预测序列中的每个数据，根据电量比例序列，计算对应每个整点的平均负荷，并按时间顺序排列，得到第二预测负荷序列。
进一步地，根据第一预测负荷序列、第二预测负荷序列，得到优化时段内电池储能***的优化充放电功率序列以及优化需量，包括：
构建资源目标模型，并根据第一预测负荷序列、第二预测负荷序列，得到优化需量；
构建早充快充模型，并根据优化需量和最优资源目标值，得到早充快充时段充电功率序列以及早充快充时段放电功率序列，其中，最优资源目标值表示为了交换每月电量而付出资源的最优预期；
构建平稳充电模型，并根据早充快充时段充电功率序列，以及早充快充时段放电功率序列，得到平稳充电时段充电功率序列和平稳充电时段放电功率序列；
构建平稳放电模型，并根据早充快充时段充电功率序列、早充快充时段放电功率序列、平稳充电时段充电功率序列，以及平稳充电时段放电功率序列，得到平稳放电时段放电功率序列和平稳放电时段充电功率序列；
以早充快充时段充电功率序列、平稳充电时段充电功率序列、平稳放电时段充电功率序列中的元素，替换第一预测负荷序列中对应时段的充电功率，以早充快充时段放电功率序列、平稳充电时段放电功率序列、平稳放电时段放电功率序列中的元素，替换第一预测负荷序列中对应时段的放电功率，得到电池储能***的优化充放电功率序列。
进一步地，构建资源目标模型，并根据第一预测负荷序列、第二预测负荷序列，得到优化需量和最优资源目标值，包括：
将函数：
作为资源目标模型，其中，为t时段内的充电功率，/>为t时段的放电功率，pXu为优化需量，ρt为两部制电价中的度电电价在时段t的电价，ρN为当前月份的需量电价；δt为t时段的长度；
将第一预测负荷序列、第二预测负荷序列输入资源目标模型；
采用混合整数规划求解资源目标模型，得到资源目标模型输出的优化需量。
进一步地，构建早充快充模型，并根据优化需量和最优资源目标值，得到早充快充时段充电功率序列以及早充快充时段放电功率序列，包括：
将函数：
作为早充快充模型，其中，T1为早充快充时段，取值为0或1，当充电功率大于0时，/>的取值为1，否则为0；
将优化需量和最优资源目标值输入早充快充模型；
采用混合整数规划求解早充快充模型，得到对应于早充快充时段的早充快充充电功率序列，以及早充快充放电功率序列。
进一步地，构建平稳充电模型，并根据早充快充时段充电功率序列，以及早充快充时段放电功率序列，得到平稳充电时段充电功率序列和平稳充电时段放电功率序列，包括：
将函数：
Min max_inputpower
作为平稳充电模型，其中，max_inputpower为决策变量；
将优化需量和最优资源目标值，以及早充快充时段充电功率序列和早充快充时段放电功率序列，输入平稳充电模型；
采用混合整数规划求解平稳充电模型，得到对应于平稳充电时段充电功率序列和平稳充电时段放电功率序列。
进一步地，构建平稳放电模型，并根据早充快充时段充电功率序列、早充快充时段放电功率序列、平稳充电时段充电功率序列，以及平稳充电时段放电功率序列，优化需量、最优资源目标值、早充快充时段的充电功率序列和对应的放电功率序列，以及非早充快充的充电时段的平稳充电功率序列和对应的放电功率序列，得到平稳放电时段放电功率序列和平稳放电时段充电功率序列，包括：
将函数：
Min max_outputpower
作为平稳放电模型，其中，max_outputpower为决策变量；
将优化需量和最优资源目标值，早充快充时段充电功率序列和早充快充时段放电功率序列，以及平稳充电时段充电功率序列和平稳充电时段放电功率序列，输入平稳放电模型；
采用混合整数规划求解平稳放电模型，得到平稳放电时段放电功率序列和平稳放电时段充电功率序列。
进一步地，方法还包括：
根据当前本月实际实时需量、用电实体在微调间隔时段内的预计平均负荷、电池储能***剩余电量，在微调间隔时段内优化当前优化周期内的充电功率；
响应于处于早充快充时段，并且用电实体在微调间隔时段内的预计平均负荷大于对应的预测负荷，则降低充电功率；
响应于处于早充快充时段，并且用电实体在微调间隔时段内的预计平均负荷小于对应的预测负荷，则提高充电功率；
响应于不处于早充快充时段，则根据公式：
Min(max(opt_demand–true_load(k),0),
opt_inputpower,max_charge,(size-inventory(k))/(charge_eff*delta_t))
调整充电功率，其中，opt_demand为实际最优需量，表示优化需量与本月实际实时需量最大值中较大的值，true_load为用电实体在微调间隔时段内的预计平均负荷，opt_inputpower为优化充电功率，max_charge最大充电功率，size为电池储能***容量，inventory(k)为电池储能***当前剩余电量，charge_eff为电池储能***充电能效，delta_t为微调间隔时段的长度。
进一步地，方法还包括：
响应于用电实体在微调间隔时段内的预计平均负荷大于实际最优需量，则根据公式：
Min(max(true_load(k)-opt_demand,0,opt_outputpower),
true_load(k),max_discharge,(inventory(k)-size*(1-depth))*discharge_eff/delta_t)
调整放电功率，其中depth为电池储能***的最大允许放电深度；
响应于用电实体在微调间隔时段内的预计平均负荷小于等于实际最优需量，则根据公式：
min(true_load(k),opt_outputpower,max_discharge,(inventory(k)-size*(1-depth))*
discharge_eff/delta_t)
调整放电功率。
进一步地，方法还包括：
响应于下一个优化周期到来，重复执行优化电池储能***的目标充放策略。
第二方面，提供一种电池储能充放电策略优化装置，包括：
历史数据处理模块，用于获取电池储能***的第一历史负荷序列，并对第一历史负荷序列进行预处理，得到第二历史电量序列以及第三历史电量序列；
数据预测模块，用于根据第一历史负荷序列得到第一预测负荷序列，根据第三历史电量序列得到第三预测电量序列；
聚类模块，用于对第二历史电量序列进行聚类，得到电量比例序列，其中，电量比例序列对应于每日各整点时段电量占每日总电量比例的序列；
中间隔负荷预测模块，用于根据第三预测电量序列以及电量比例序列，得到优化时段内电池储能***的第二预测负荷序列；
优化模块，根据第一预测负荷序列、第二预测负荷序列，得到优化时段内电池储能***的优化充放电功率序列以及优化需量，作为优化后的目标充放策略。
第三方面，提供一种电池储能充放电策略优化***，包括存储器、处理器及存储在存储器上并可在处理器上运行的电池储能充放电策略优化程序，处理器执行电池储能充放电策略优化程序时，实现第一方面记载的电池储能充放电策略优化方法。
第四方面，提供一种计算机可读存储介质，其上存储有电池储能充放电策略优化程序，电池储能充放电策略优化程序被处理器执行时，实现第一方面记载的电池储能充放电策略优化方法。
本发明实施例提供的技术方案带来的有益效果是：
通过实施本申请实施例提供的一种电池储能***充放电策略优化方法、装置及***可以准确预测每月电量消耗，优化支配于消耗电量的资源。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种电池储能***充放电策略优化方法示意图；
图2是本发明实施例提供的包含储能***的用电单位与电网关系示意图；
图3是本发明实施例提供的一种电池储能***充放电策略优化装置示意图；
图4是本发明实施例提供的一种电池储能***充放电策略优化***示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明实施方式中的附图，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
除非另外定义，本公开使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。本公开中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。同样，“一个”、“一”或者“该”等类似词语也不表示数量限制，而是表示存在至少一个。说明书附图中的编号，仅表示对各个功能部件或模块的区分，不表示部件或模块之间的逻辑关系。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。
下面，将参照附图详细描述根据本公开的各个实施例。需要注意的是，在附图中，将相同的附图标记赋予基本上具有相同或类似结构和功能的组成部分，并且将省略关于它们的重复描述。
为了解决在需量结算周期内对电池储能***充、放电功率进行准确预测的问题。本申请提供以下实施方式。
在一些实施例中，如图1所示，一种电池储能***充放电策略优化方法，在当前优化周期，优化电池储能***的目标充放策略，包括：
S100：获取电池储能***的第一历史负荷序列，并对第一历史负荷序列进行预处理，得到第二历史电量序列以及第三历史电量序列；
S200：根据第一历史负荷序列得到第一预测负荷序列，根据第三历史电量序列得到第三预测电量序列；
S300：对第二历史电量序列进行聚类，得到电量比例序列，其中，电量比例序列对应于每日各整点时段电量占每日总电量比例的序列；
S400：根据第三预测电量序列以及电量比例序列，得到优化时段内电池储能***的第二预测负荷序列；
S500：根据第一预测负荷序列、第二预测负荷序列，得到优化时段内电池储能***的优化充放电功率序列以及优化需量，作为优化后的目标充放策略。
“电池储能***”是用电单位配合电网为用电实体进行供电的辅助供电手段。如图2所示，用电单位接入电压母线，电压母线经负荷采集电表W1、变压器接入电网，一个用电单位包括用电实体和储能***，一个用电实体包括至少一个用户负载，至少一个用户负载均与电压母线连接；储能***经储能电表W2接入电压母线。储能***包括：交流-直流转换器AC/DC，电池管理***BMS，电池管理***BMS经交流-直流转换器AC/DC连接储能电表W2。储能***可以是电池储能***，电池储能***通过电网进行充电，并在适当的时候对用电实体进行供电。
“优化周期”是指连续对电池储能***充放电策略进行优化的相等时间间隔，通过预先设置确定，例如：10分钟，15分钟，20分钟等。通常，可以将“优化周期”设置为：与一个需量周期同步。需量周期是指连续测量平均功率的相等时间间隔。在电力行业中，一个需量周期通常取值为15分钟，相应地，一个优化周期的取值为15分钟。
“目标充放策略”是电池储能***在目标时间段内的充电、放电策略，表现为某一个具体的时段执行充电或执行放电(充电与放电不可在同一时刻执行)。“目标充放策略”对应的时段，由当前优化周期开始，延续到预设时间点；或由当前优化周期开始，延续预设时间段。通常，可以将“目标充放策略”对应的时段设置为：由当前优化周期开始，延续到当前需量结算周期结束。在电力行业，需量结算按月进行。将“目标充放策略”覆盖的时段与需量结算周期重合，便于对应比较预测值与真实值。
在每一个优化周期中，执行优化电池储能***的目标充放策略，优选设置在当前优化周期的开始时刻。
具体地，对第一历史负荷序列进行预处理，包括：
S110：将第一历史负荷序列中对应于整点时段的若干数据进行积分，累加积分结果，将累加结果按时间顺序排列，作为第二历史电量序列；
S120：将第二历史电量序列中对应于一日的若干数据进行累加，将累加结果按时间顺序排列，作为第三历史电量序列。
“第一历史负荷序列”是截止当前优化周期的前一个优化周期，用电实体在每一个优化周期内的实际平均负荷。其统计的起点可以选择为有数据记录以来，首个数据对应的优化周期；亦可以将距当前优化周期一定时段的某一优化周期作为统计起点。
“第二历史电量序列”是截止当前优化周期所在整点，用电实体自统计起点开始，每个整点的消耗电量，按时间顺序排列的序列。将第一历史负荷序列中的某个数据与需量周期相乘，得到对应于该优化周期的消耗电量；将对应于某一整点的所有优化周期的消耗电量累加，得到对应于该整点的消耗电量；将消耗电量数据按时间顺序排序，得到第二历史电量序列。
“第三历史电量序列”是截止当前优化周期所在日，用电实体自统计起点开始，每日的消耗电量，按时间顺序排列的序列。在第二历史电量序列中，将对应于某一日的数据进行累加，得到对应于该日的消耗电量；将消耗电量数据按时间顺序排列，得到第三历史电量序列。
具体地，根据第一历史负荷序列得到第一预测负荷序列，根据第三历史电量序列得到第三预测电量序列包括：
S210：使用第一历史负荷序列训练第一预设神经网络，得到第一预测模型；
S220：使用第一预测模型外推得到第一预测负荷序列；
S230：使用第三历史电量序列训练第二预设神经网络，得到第三预测模型；
S240：使用第三预测模型外推得到第三预测电量序列。
“第一预设神经网络”可选为长短期记忆(Long Short Term Memory，LSTM)网络。使用第一历史负荷序列训练第一预设神经网络，包括：
根据第一样本比例，将第一历史负荷序列划分为第一训练集和第一测试集；其中，第一样本比例为训练集数据占第一历史负荷序列总数据的比例。第一测试集为第一历史负荷序列中，第一训练集以外的数据组成的集合；
采用第一训练集训练第一预设神经网络，得到第一预测模型；
采用第一测试集调整第一预测模型精度至预期。
“第一预测负荷序列”是由当前优化周期开始，通常延续到未来24小时截止，依次对应于各优化周期的预测平均负荷组成的时间序列。
“第二预设神经网络为”可选为长短期记忆网络。使用第三历史电量序列训练第二预设神经网络，包括：
根据第二样本比例，将第三历史电量序列划分为第三训练集和第三测试集；其中，第三样本比例为训练集数据占第三历史电量序列总数据的比例。第三测试集为第三历史电量序列中，第三训练集以外的数据组成的集合；
采用第三训练集训练第二预设神经网络，得到第二预测模型；
采用第三测试集调整第二预测模型精度至预期。
“第三预测电量序列”是由当前优化周期开始，延续到当前需量结算周期结束，依次对应于各自然日的预测耗电量组成的时间序列。
具体地，对第二历史电量序列进行聚类，得到电量比例序列，包括：
S310：在第二历史电量序列，统计每日各整点时段电量占当日总电量的比例，得到第二历史比例序列；
S320：使用聚类模型对第二历史比例序列进行聚类，得到电量比例序列。
“电量比例序列”反应了一日中间，各整点时段耗电量，占当日总耗电量的比例。
具体地，据第三预测电量序列以及电量比例序列，得到优化时段内电池储能***的第二预测负荷序列，包括：
S410：从第三预测电量序列中，对覆盖优化时段的数据按时间顺序排列，得到日电量预测序列；
S420：对日电量预测序列中的每个数据，根据电量比例序列，计算对应每个整点的平均负荷，并按时间顺序排列，得到第二预测负荷序列。
第三预测电量序列中的每个数据代表对应日当日的耗电总量。日耗电总量与电量比例序列的乘积，反应了当日各时段电量。通过电量-负荷关系，转化为当日各时段平均负荷，即第二预测负荷序列。
具体地，根据第一预测负荷序列、第二预测负荷序列，得到优化时段内电池储能***的优化充放电功率序列以及优化需量，包括：
S510：构建资源目标模型，并根据第一预测负荷序列、第二预测负荷序列，得到优化需量；
S520：构建早充快充模型，并根据优化需量和最优资源目标值，得到早充快充时段充电功率序列以及早充快充时段放电功率序列，其中，最优资源目标值表示为了交换每月电量而付出资源的最优预期；
S530：构建平稳充电模型，并根据早充快充时段充电功率序列，以及早充快充时段放电功率序列，得到平稳充电时段充电功率序列和平稳充电时段放电功率序列；
S540：构建平稳放电模型，并根据早充快充时段充电功率序列、早充快充时段放电功率序列、平稳充电时段充电功率序列，以及平稳充电时段放电功率序列，得到平稳放电时段放电功率序列和平稳放电时段充电功率序列；
S550：以早充快充时段充电功率序列、平稳充电时段充电功率序列、平稳放电时段充电功率序列中的元素，替换第一预测负荷序列中对应时段的充电功率，以早充快充时段放电功率序列、平稳充电时段放电功率序列、平稳放电时段放电功率序列中的元素，替换第一预测负荷序列中对应时段的放电功率，得到电池储能***的优化充放电功率序列。
得到优化充放电功率序列以及优化需量是为了在每个对应于优化周期的时段，使电池储能***以优化充放电功率序列执行充电或放电动作。最终，使得消耗于电量的资源达到最低。所要达到的目标是：min∫loadt·ρtdt+ρN·pXu。其中loadt为t时刻的瞬时负荷，ρt为t时刻的度电电价，ρN为需量电价，pXu为需量。由于需量结算周期为一个月，优化的数据必须覆盖需量结算周期。输入数据包含：从当前时段开始覆盖当前月份的短+中时间间隔的预测负荷序列；储能***电池容量；用电单位的变压器容量；储能***最大放电深度；储能***最大充电功率；储能***最大放电功率；储能***充电能效(包含交流转直流的能耗和为了维持***运转和降温的自耗电能耗)；储能***放电能效(包含直流转交流的能耗和为了维持***运转和降温的自耗电能耗)；两部制电价中的度电电价和对应的时间段；两部制电价中的当前月份需量电价。
具体地，构建资源目标模型，并根据第一预测负荷序列、第二预测负荷序列，得到优化需量，包括：
S511：将函数：
作为资源目标模型，其中，为决策变量，表示在t时段内的充电功率，充电功率的取值必须大于等于0，并且小于等于最大充电功率；/>为决策变量，表示在t时段的放电功率，放电功率的取值必须大于等于0，并且小于等于最大放电功率；pXu为决策变量，表示优化需量，需量是充电功率+预测负荷-放电功率在需量结算周期的最大值；ρt为输入参数，两部制电价中的度电电价在时段t的电价(包含输配电电价)；ρN为输入参数，当前月份的需量电价；δt为输入参数，t时段的长度，以小时为单位。
S512：将第一预测负荷序列、第二预测负荷序列输入资源目标模型；
S513：采用混合整数规划求解资源目标模型，得到资源目标模型输出的优化需量。
目标函数包含两个部分，一部分是用于将削峰填谷最大化，另一部分是最小化消耗于需量的资源。这两部分是相互制约的，因此，需要权衡二者，找到最优解。
优化过程的约束条件包括：
1.电池储能***在任意时间段不能同时充电和放电，因此，充电功率和放电功率不能同时大于0；
2.储能***最多只能放电到最大深度，达到或者超过放电最大深度时，储能***停止对外供电；
3.在考虑充电能效和放电能效的前提下，储能***的电量从时段t到t+1的转移方程如下：
其中，Et+1为t+1时段的期初电量，Et为t时段的期初电量，θch为充电能效，θd为放电能效。
在任意t时段，充电功率+预测负荷-放电功率不能超过变压器容量；当储能***电池对用电实体供电不足以支持用电实体的负载时，剩余部分负载由电网供电；优化需量取值必须大于用电单位当月已经发生的实际需量。这样可以避免浪费优化周期内的充电机会。
调用商用混合整数规划求解软件(如SAS，Gurobi)或者开源混合整数规划求解包(如PULP的CBC方法)都可以快速求解得到优化周期内的所有时段的最优充电功率和最优放电功率，以及当前月份的优化需量。
以短时间间隔为15分钟和中时间间隔为1小时的具体场景为例，优化模型求解得到的是未来1天每15分钟的最优充电功率和最优放电功率，和未来1天后到当月月末截止的每小时的最优充电功率和最优放电功率，以及用电单位当月的优化需量。在不同地区，阶梯电价中夜间的低谷电价时期较长，那么有多种不同时段的充电功率方案都可以使得夜间将电池充满，同时在尖峰时段有多种放电策略可以将电池电量放到最大深度。也就是说，有多种不同时段的充放电策略可以达到最优资源目标值。
具体地，构建早充快充模型，并根据优化需量和最优资源目标值，得到早充快充时段充电功率序列以及早充快充时段放电功率序列，包括：
S521：将函数：
作为早充快充模型，其中，T1为指定早充快充时段，通常是早晨电价低谷时段的最后两个小时和中午电价低谷阶段。取值为0或1，当充电功率大于0时，/>的取值为1，否则为0；
S522：将优化需量和最优资源目标值输入早充快充模型；
S523：采用混合整数规划求解早充快充模型，得到对应于早充快充时段的早充快充充电功率序列，以及早充快充放电功率序列。
在固定优化需量的基础上，通过早充快充模型在满足最小化资源目标值的众多解中找到早充快充的最优策略。调用商用混合整数规划求解软件(如SAS，Gurobi)或者开源混合整数规划求解包(如PULP的CBC方法)可以快速求解，得到在指定早充快充时段，满足早充快充目标的最优充电功率和最优放电功率。
具体地，构建平稳充电模型，并根据早充快充时段充电功率序列，以及早充快充时段放电功率序列，得到平稳充电时段充电功率序列和平稳充电时段放电功率序列，包括：
S531：将函数：
Min max_inputpower
作为平稳充电模型，其中，max_inputpower为决策变量；
S532：将优化需量和最优资源目标值，以及早充快充时段充电功率序列和早充快充时段放电功率序列，输入平稳充电模型；
S533：采用混合整数规划求解平稳充电模型，得到对应于平稳充电时段充电功率序列和平稳充电时段放电功率序列。
在早充快充时段以外的平缓充电时段(记为T2)的充电功率的最大值，那么在平缓充电时段，追求最小化充电功率的时候，也就让充电功率在这些时段更加平稳，减少波动。
在固定早充快充充电序列、早充快充放电序列的基础上，调用商用混合整数规划求解软件(如SAS，Gurobi)或者开源混合整数规划求解包(如PULP的CBC方法)可以快速求解。至此，我们得到了在最小化电费目标的前提下，在平缓充电时段，满足平稳充电目标的最优充电功率和最优放电功率；在早充快充时段，满足早充快充目标的最优充电功率和最优放电功率；以及其他时间段的最优充电功率和最优放电功率。
具体地，构建平稳放电模型，并根据早充快充时段充电功率序列、早充快充时段放电功率序列、平稳充电时段充电功率序列，以及平稳充电时段放电功率序列，得到平稳放电时段放电功率序列和平稳放电时段充电功率序列，包括：
S541：将函数：
Min max_outputpower
作为平稳放电模型，其中，max_outputpower为决策变量；
S542：将优化需量和最优资源目标值，早充快充时段充电功率序列和早充快充时段放电功率序列，以及平稳充电时段充电功率序列和平稳充电时段放电功率序列，输入平稳放电模型；
S543：采用混合整数规划求解平稳放电模型，得到平稳放电时段放电功率序列和平稳放电时段充电功率序列。
max_outputpower是决策变量，是平缓放电时段的所有放电功率的最大值，在平缓放电时段，追求最小化放电功率的时候，也就是让放电功率在这些时段更加平稳，减少波动。电池储能***本身也是降低了用电单位的耗电功率，当实际负荷增加的时候，用电单位的耗电功率突破优化需量的可能性也会降低。
除了上面已经定义好的约束条件之外，还添加以下约束条件：
max_inputpower≤obj_max_inputpower_sol
其中，obj_max_inputpower_sol为第三次求解时得到的目标函数的最优值。
调用商用混合整数规划求解软件(如SAS，Gurobi)或者开源混合整数规划求解包(如PULP的CBD方法)可以快速求解。
进一步地，方法还包括：
S610：根据当前本月实际实时需量、用电实体在微调间隔时段内的预计平均负荷、电池储能***剩余电量，在微调间隔时段内优化当前优化周期内的充电功率；
S620：响应于处于早充快充时段，则根据公式：
Min(max(opt_demand-true_load(k)，0)，max_charge，(size-inventory(k))/(charge_eff*delta_t))
调整充电功率，其中opt_demand为实际最优需量，表示优化需量和本月实际实时最大需量中较大的值，true_load为用电实体在微调间隔时段内的预计平均负荷，max_charge最大充电功率，size为电池储能***容量，inventory(k)为电池储能***当前剩余电量，charge_eff为电池储能***充电能效，delta_t为微调间隔时段的长度；
S630：响应于处于早充快充时段，并且用电实体在微调间隔时段内的预计平均负荷大于对应的预测负荷，则降低充电功率；
S640：响应于处于早充快充时段，并且用电实体在微调间隔时段内的预计平均负荷小于对应的预测负荷，则提高充电功率；
S650：响应于不处于早充快充时段，则根据公式：
Min(max(opt_demand-true_load(k)，0)，opt_inputpower，max_charge，(size-inventory(k))/(charge_eff*delta_t))
调整充电功率，其中，opt_inputpower为优化充电功率。
如果true_load(k)比预测负荷大，那么调整后的充电功率会降低来满足实际最优需量的限制；如果true_load(k)比预测负荷小，那么调整后的充电功率会升高来抓住充电机会充电。满足了早充快充的目标，同时也保证了调整后的充电功率不大于最大功率限制，充入的电量不会超出电池容量。因为不处于早充快充阶段，即使真实负荷波动，调整后的充电功率也不会突破最优充电功率，同时也保证了调整后的充电功率不大于最大充电功率限制，充入的电量不会超出电池容量。
进一步地，方法还包括：
S610′：响应于用电实体在微调间隔时段内的预计平均负荷大于实际最优需量，则根据公式：
Min(max(true_load(k)-opt_demand,0,opt_outputpower),
true_load(k),max_discharge,(inventory(k)-size*(1-depth))*discharge_eff/delta_t)
调整放电功率；
S620′：响应于用电实体在微调间隔时段内的预计平均负荷小于等于实际最优需量，则根据公式：
Min(true_load(k),opt_outputpower,max_discharge,(inventory(k)-size*(1-depth))*
discharge_eff/delta_t)
调整放电功率。
如果true_load(k)比opt_demand大，那么不管当前时段处于哪个指定时段，电池都会转为放电，在最大放电功率和电量允许的情况下，调整后的整个用电单位的负荷将下降到实际最优需量以下。同时保证放电功率不超过用电实体的耗电功率，达到防逆流的目的。
如果true_load(k)小于等于opt_demand，那么如果优化决策输出结果中表明当前时段需要放电，即opt_outputpower>0,在最大放电功率和电量允许的情况下，调整后的放电功率不会超过真实负荷，达到防逆流的目的。调整后的整个用电单位的负荷也不会超过实际最优需量。如果优化决策输出结果中表明当前时段不需要放电，即opt_outputpower＝0，调整后的放电功率也为0。
demand(k)为本月截止当前时刻的实际需量，true_load(k)为用电实体在微调间隔时段内的预计平均负荷，inventory(k)当前时刻储能电池剩余电量，opt_inputpower为优化输出的最优充电功率，opt_outputpower为优化输出的最优放电功率，size为储能***电池容量，capacity为用电单位的变压器容量，depth为储能***最大放电深度，取值为90％，则表示当电池电量剩余10％及以下时，电池停止供电。max_charge为储能***最大充电功率，max_discharge为储能***最大放电功率，charge_eff为储能***充电能效，包含交流转直流的能耗和为了维持***运转和降温的自耗电能耗，discharge_eff储能***放电能效，包含直流转交流的能耗和为了维持***运转和降温的自耗电能耗，delta_t为微调间隔时段的长度，opt_demand为实际最优需量，表示优化需量与本月实际实时需量最大值中较大的值。
方法还包括：响应于下一个优化周期到来，重复执行优化电池储能***的目标充放策略。
优化周期执行计算储能***的目标优化充放策略的间隔时间，优选地，优化周期与第一历史负荷序列中，各数据的统计周期一致。可以设置为10分钟，15分钟，20分钟等。优选地，将优化周期设置为15分钟。
相应地，每间隔优化周期进行一次电池储能***的目标充放策略优化，得到最新的优化需量、最新的优化充电序列以及最新的优化放电序列，使电池储能***根据最新的充放策略进行充电或放电，以使得消耗于电量上的资源最小化。
应该理解的是，虽然图1的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在另一些实施例中，如图3所示，一种电池储能充放电策略优化装置，包括：
历史数据处理模块，用于获取电池储能***的第一历史负荷序列，并对第一历史负荷序列进行预处理，得到第二历史电量序列以及第三历史电量序列；
数据预测模块，用于根据第一历史负荷序列得到第一预测负荷序列，根据第三历史电量序列得到第三预测电量序列；
聚类模块，用于对第二历史电量序列进行聚类，得到电量比例序列，其中，电量比例序列对应于每日各整点时段电量占每日总电量比例的序列；
中间隔负荷预测模块，用于根据第三预测电量序列以及电量比例序列，得到优化时段内电池储能***的第二预测负荷序列；
优化模块，用于根据第一预测负荷序列、第二预测负荷序列，得到优化时段内电池储能***的优化充放电功率序列以及优化需量，作为优化后的目标充放策略。
关于电池储能充放电策略优化装置的具体限定可以参见上文中对于电池储能充放电策略优化方法的限定，在此不再赘述。上述电池储能充放电策略优化装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在另一些实施例中，如图4所示，一种电池储能充放电策略优化***，包括存储器、处理器及存储在存储器上并可在处理器上运行的电池储能充放电策略优化程序，处理器执行电池储能充放电策略优化程序时，实现第一方面记载的电池储能充放电策略优化方法。电池储能充放电策略优化方法在此不再赘述。
在另一些实施例中，一种计算机可读存储介质，其上存储有电池储能充放电策略优化程序，电池储能充放电策略优化程序被处理器执行时，实现第一方面记载的电池储能充放电策略优化方法。电池储能充放电策略优化方法在此不再赘述。
通过实施本申请实施例提供的一种电池储能***充放电策略优化方法、装置及***可以在两部制电价下，准确预测每月电量消耗；通过微调实时调整需量结算周期内的预测值，并优化支配于消耗电量的资源。
上述所有可选技术方案，可以采用任意结合形成本发明的可选实施例，在此不再一一赘述。
实施例一
一种电池储能***充放电策略优化方法，在当前优化周期，优化电池储能***的目标充放策略，如图1所示，包括：
S100：获取电池储能***的第一历史负荷序列，并对第一历史负荷序列进行预处理，得到第二历史电量序列以及第三历史电量序列；
S200：根据第一历史负荷序列得到第一预测负荷序列，根据第三历史电量序列得到第三预测电量序列；
S300：对第二历史电量序列进行聚类，得到电量比例序列，其中，电量比例序列对应于每日各整点时段电量占每日总电量比例的序列；
S400：根据第三预测电量序列以及电量比例序列，得到优化时段内电池储能***的第二预测负荷序列；
S500：根据第一预测负荷序列、第二预测负荷序列，得到优化时段内电池储能***的优化充放电功率序列以及优化需量，作为优化后的目标充放策略。
实施例二
在实施例一的基础上，对第一历史负荷序列进行预处理，具体包括：
S110：将第一历史负荷序列中对应于整点时段的若干数据进行积分，累加积分结果，将累加结果按时间顺序排列，作为第二历史电量序列；
S120：将第二历史电量序列中对应于一日的若干数据进行累加，将累加结果按时间顺序排列，作为第三历史电量序列。
具体地，根据第一历史负荷序列得到第一预测负荷序列，根据第三历史电量序列得到第三预测电量序列包括：
S210：使用第一历史负荷序列训练第一预设神经网络，得到第一预测模型；
S220：使用第一预测模型外推得到第一预测负荷序列；
S230：使用第三历史电量序列训练第二预设神经网络，得到第三预测模型；
S240：使用第三预测模型外推得到第三预测电量序列。
具体地，对第二历史电量序列进行聚类，得到电量比例序列，包括：
S310：在第二历史电量序列，统计每日各整点时段电量占当日总电量的比例，得到第二历史比例序列；
S320：使用聚类模型对第二历史比例序列进行聚类，得到电量比例序列。
具体地，据第三预测电量序列以及电量比例序列，得到优化时段内电池储能***的第二预测负荷序列，包括：
S410：从第三预测电量序列中，对覆盖优化时段的数据按时间顺序排列，得到日电量预测序列；
S420：对日电量预测序列中的每个数据，根据电量比例序列，计算对应每个整点的平均负荷，并按时间顺序排列，得到第二预测负荷序列。
具体地，根据第一预测负荷序列、第二预测负荷序列，得到优化时段内电池储能***的优化充放电功率序列以及优化需量，包括：
S510：构建资源目标模型，并根据第一预测负荷序列、第二预测负荷序列，得到优化需量；
S520：构建早充快充模型，并根据优化需量和最优资源目标值，得到早充快充时段充电功率序列以及早充快充时段放电功率序列，其中，最优资源目标值表示为了交换每月电量而付出资源的最优预期；
S530：构建平稳充电模型，并根据早充快充时段充电功率序列，以及早充快充时段放电功率序列，得到平稳充电时段充电功率序列和平稳充电时段放电功率序列；
S540：构建平稳放电模型，并根据早充快充时段充电功率序列、早充快充时段放电功率序列、平稳充电时段充电功率序列，以及平稳充电时段放电功率序列，得到平稳放电时段放电功率序列和平稳放电时段充电功率序列；
S550：以早充快充时段充电功率序列、平稳充电时段充电功率序列、平稳放电时段充电功率序列中的元素，替换第一预测负荷序列中对应时段的充电功率，以早充快充时段放电功率序列、平稳充电时段放电功率序列、平稳放电时段放电功率序列中的元素，替换第一预测负荷序列中对应时段的放电功率，得到电池储能***的优化充放电功率序列。
具体地，构建资源目标模型，并根据第一预测负荷序列、第二预测负荷序列，得到优化需量，包括：
S511：将函数：
作为资源目标模型，其中，为t时段内的充电功率，/>为t时段的放电功率，pXu为优化需量，ρt为两部制电价中的度电电价在时段t的电价，ρN为当前月份的需量电价；δt为t时段的长度；
S512：将第一预测负荷序列、第二预测负荷序列输入资源目标模型；
S513：采用混合整数规划求解资源目标模型，得到资源目标模型输出的优化需量。
具体地，构建早充快充模型，并根据优化需量，得到早充快充充电序列以及早充快充放电序列，包括：
S521：将函数：
作为早充快充模型，其中，T1为早充快充时段，取值为0或1，当充电功率大于0时，/>的取值为1，否则为0；
S522：将优化需量和最优资源目标值输入早充快充模型；
S523：采用混合整数规划求解早充快充模型，得到对应于早充快充时段的早充快充充电功率序列，以及早充快充放电功率序列。
具体地，构建平稳充电模型，并根据早充快充充电序列，以及早充快充放电序列，得到平稳充电序列，包括：
S531：将函数：
Min max_inputpower
作为平稳充电模型，其中，max_inputpower为决策变量；
S532：将优化需量和最优资源目标值，以及早充快充时段充电功率序列和早充快充时段放电功率序列，输入平稳充电模型；
S533：采用混合整数规划求解平稳充电模型，得到对应于平稳充电时段充电功率序列和平稳充电时段放电功率序列。
具体地，构建平稳放电模型，并根据平稳充电序列，得到平稳放电序列，包括：
S541：将函数：
Min max_outputpower
作为平稳放电模型，其中，max_outputpower为决策变量；
S542：将优化需量和最优资源目标值，早充快充时段充电功率序列和早充快充时段放电功率序列，以及平稳充电时段充电功率序列和平稳充电时段放电功率序列，输入平稳放电模型；
S543：采用混合整数规划求解平稳放电模型，得到平稳放电时段放电功率序列和平稳放电时段充电功率序列。
具体地，方法还包括：
S610：根据当前本月实际实时需量、用电实体在微调间隔时段内的预计平均负荷、电池储能***剩余电量，在微调间隔时段内优化当前优化周期内的充电功率；
S620：响应于处于早充快充时段，则根据公式：
Min(max(opt_demand–true_load(k),0),
max_charge,(size-inventory(k))/(charge_eff*delta_t))
调整充电功率，其中opt_demand为实际最优需量，表示优化需量和本月实际实时最大需量中较大的值，true_load为用电实体在微调间隔时段内的预计平均负荷，max_charge最大充电功率，size为电池储能***容量，inventory(k)为电池储能***当前剩余电量，charge_eff为电池储能***充电能效，delta_t为微调间隔时段的长度；
S630：响应于处于早充快充时段，并且用电实体在微调间隔时段内的预计平均负荷大于对应的预测负荷，则降低充电功率；
S640：响应于处于早充快充时段，并且用电实体在微调间隔时段内的预计平均负荷小于对应的预测负荷，则提高充电功率；
S650：响应于不处于早充快充时段，则根据公式：
Min(max(opt_demand–true_load(k),0),
opt_inputpower,max_charge,(size-inventory(k))/(charge_eff*delta_t))
调整充电功率，其中，opt_inputpower为优化充电功率。
具体地，方法还包括：
S610′：响应于用电实体在微调间隔时段内的预计平均负荷大于实际最优需量，则根据公式：
Min(max(true_load(k)-opt_demand,0,opt_outputpower),
true_load(k),max_discharge,(inventory(k)-size*(1-depth))*discharge_eff/delta_t)
调整放电功率；
S620′：响应于用电实体在微调间隔时段内的预计平均负荷小于等于实际最优需量，则根据公式：
(true_load(k),opt_outputpower,max_discharge,(inventory(k)-size*(1-depth))*
discharge_eff/delta_t)
调整放电功率。
方法还包括：响应于下一个优化周期到来，重复执行优化电池储能***的目标充放策略。
实施例三
一种电池储能充放电策略优化装置，如图3所示，包括：
历史数据处理模块，用于获取电池储能***的第一历史负荷序列，并对第一历史负荷序列进行预处理，得到第二历史电量序列以及第三历史电量序列；
数据预测模块，用于根据第一历史负荷序列得到第一预测负荷序列，根据第三历史电量序列得到第三预测电量序列；
聚类模块，用于对第二历史电量序列进行聚类，得到电量比例序列，其中，电量比例序列对应于每日各整点时段电量占每日总电量比例的序列；
中间隔负荷预测模块，用于根据第三预测电量序列以及电量比例序列，得到优化时段内电池储能***的第二预测负荷序列；
优化模块，用于根据第一预测负荷序列、第二预测负荷序列，得到优化时段内电池储能***的优化充放电功率序列以及优化需量，作为优化后的目标充放策略。
实施例四
下面阐述一种电池储能充放电策略优化***，如图4所示，包括存储器、处理器及存储在存储器上并可在处理器上运行的电池储能充放电策略优化程序，处理器执行电池储能充放电策略优化程序时，实现实施例一或实施例二记载的电池储能充放电策略优化方法。电池储能充放电策略优化方法在此不再赘述。
实施例五
下面阐述一种计算机可读存储介质，其上存储有电池储能充放电策略优化程序，电池储能充放电策略优化程序被处理器执行时，实现实施例一或实施例二记载的电池储能充放电策略优化方法。电池储能充放电策略优化方法在此不再赘述。
特别地，根据本申请的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本申请的实施例包括一种计算机程序产品，其包括装载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置从网络上被下载和安装，或者从存储器被安装，或者从ROM被安装。在该计算机程序被外部处理器执行时，执行本申请的实施例的方法中限定的上述功能。
需要说明的是，本申请的实施例的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请的实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本申请的实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(Radio Frequency,射频)等等，或者上述的任意合适的组合。
上述计算机可读介质可以是上述服务器中所包含的；也可以是单独存在，而未装配入该服务器中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该服务器执行时，使得该服务器：响应于检测到终端的外设模式未激活时，获取终端上应用的帧率；在帧率满足息屏条件时，判断用户是否正在获取终端的屏幕信息；响应于判断结果为用户未获取终端的屏幕信息，控制屏幕进入立即暗淡模式。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的实施例的操作的计算机程序代码，程序设计语言包括面向对象的程序设计语言—诸如Java,Smalltalk,C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于***或***实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的***及***实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
以上对本申请所提供的技术方案进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本申请的限制。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (15)

1.一种电池储能***充放电策略优化方法，其特征在于，在当前优化周期，优化所述电池储能***的目标充放策略，包括：
获取所述电池储能***的第一历史负荷序列，对所述第一历史负荷序列进行预处理得到第二历史电量序列以及第三历史电量序列；
根据所述第一历史负荷序列得到第一预测负荷序列，根据所述第三历史电量序列得到第三预测电量序列；
对所述第二历史电量序列进行聚类，得到电量比例序列，其中，所述电量比例序列对应于每日各整点时段电量占每日总电量比例的序列；
根据所述第三预测电量序列以及所述电量比例序列，得到优化时段内所述电池储能***的第二预测负荷序列；
根据所述第一预测负荷序列、第二预测负荷序列，得到优化时段内所述电池储能***的优化充放电功率序列以及优化需量，作为优化后的目标充放策略。
2.根据权利要求1所述的电池储能***充放电策略优化方法，其特征在于，所述对所述第一历史负荷序列进行预处理，包括：
将所述第一历史负荷序列中对应于整点时段的若干数据进行积分，累加积分结果，将累加结果按时间顺序排列，作为第二历史电量序列；
将所述第二历史电量序列中对应于一日的若干数据进行累加，将累加结果按时间顺序排列，作为第三历史电量序列。
3.根据权利要求1所述的电池储能***充放电策略优化方法，其特征在于，所述根据所述第一历史负荷序列得到第一预测负荷序列，根据所述第三历史电量序列得到第三预测电量序列包括：
使用所述第一历史负荷序列训练第一预设神经网络，得到第一预测模型；
使用所述第一预测模型外推得到所述第一预测负荷序列；
使用所述第三历史电量序列训练第二预设神经网络，得到第三预测模型；
使用所述第三预测模型外推得到所述第三预测电量序列。
4.根据权利要求1所述的电池储能***充放电策略优化方法，其特征在于，所述对所述第二历史电量序列进行聚类，得到电量比例序列，包括：
在第二历史电量序列，统计每日各整点时段电量占当日总电量的比例，得到第二历史比例序列；
使用聚类模型对所述第二历史比例序列进行聚类，得到电量比例序列。
5.根据权利要求1所述的电池储能***充放电策略优化方法，其特征在于，所述根据所述第三预测电量序列以及所述电量比例序列，得到优化时段内所述电池储能***的第二预测负荷序列，包括：
从所述第三预测电量序列中，对覆盖优化时段的数据按时间顺序排列，得到日电量预测序列；
对所述日电量预测序列中的每个数据，根据所述电量比例序列，计算对应每个整点的平均负荷，并按时间顺序排列，得到第二预测负荷序列。
6.根据权利要求1所述的电池储能***充放电策略优化方法，其特征在于，所述根据所述第一预测负荷序列、第二预测负荷序列，得到优化时段内所述电池储能***的优化充放电功率序列以及优化需量，包括：
构建资源目标模型，并根据所述第一预测负荷序列、第二预测负荷序列，得到优化需量；
构建早充快充模型，并根据所述优化需量和最优资源目标值，得到早充快充时段充电功率序列以及早充快充时段放电功率序列，其中，所述最优资源目标值表示为了交换每月电量而付出资源的最优预期；
构建平稳充电模型，并根据所述早充快充时段充电功率序列，以及所述早充快充时段放电功率序列，得到平稳充电时段充电功率序列和平稳充电时段放电功率序列；
构建平稳放电模型，并根据所述早充快充时段充电功率序列、早充快充时段放电功率序列、平稳充电时段充电功率序列，以及平稳充电时段放电功率序列，得到平稳放电时段放电功率序列和平稳放电时段充电功率序列；
以早充快充时段充电功率序列、平稳充电时段充电功率序列、平稳放电时段充电功率序列中的元素，替换所述第一预测负荷序列中对应时段的充电功率，以早充快充时段放电功率序列、平稳充电时段放电功率序列、平稳放电时段放电功率序列中的元素，替换所述第一预测负荷序列中对应时段的放电功率，得到所述电池储能***的优化充放电功率序列。
7.根据权利要求6所述的电池储能***充放电策略优化方法，其特征在于，所述构建资源目标模型，并根据所述第一预测负荷序列、第二预测负荷序列，得到优化需量和最优资源目标值，包括：
将函数：
作为资源目标模型，其中，为t时段内的充电功率，/>为t时段的放电功率，pXu为优化需量，ρt为两部制电价中的度电电价在时段t的电价，ρN为当前月份的需量电价；δt为t时段的长度；
将所述第一预测负荷序列、所述第二预测负荷序列输入所述资源目标模型；
采用混合整数规划求解所述资源目标模型，得到所述资源目标模型输出的优化需量。
8.根据权利要求6所述的电池储能***充放电策略优化方法，其特征在于，所述构建早充快充模型，并根据所述优化需量和最优资源目标值，得到早充快充时段充电功率序列以及早充快充时段放电功率序列，包括：
将函数：
作为早充快充模型，其中，T1为早充快充时段，取值为0或1，当充电功率大于0时，/>的取值为1，否则为0；
将所述优化需量和所述最优资源目标值输入所述早充快充模型；
采用混合整数规划求解所述早充快充模型，得到对应于早充快充时段的早充快充充电功率序列，以及早充快充放电功率序列。
9.根据权利要求6所述的电池储能***充放电策略优化方法，其特征在于，所述构建平稳充电模型，并根据所述早充快充时段充电功率序列，以及所述早充快充时段放电功率序列，得到平稳充电时段充电功率序列和平稳充电时段放电功率序列，包括：
将函数：
Min max_inputpower
作为平稳充电模型，其中，max_inputpower为决策变量；
将所述优化需量和所述最优资源目标值，以及早充快充时段充电功率序列和早充快充时段放电功率序列，输入所述平稳充电模型；
采用混合整数规划求解所述平稳充电模型，得到对应于平稳充电时段充电功率序列和平稳充电时段放电功率序列。
10.根据权利要求6所述的电池储能***充放电策略优化方法，其特征在于，所述构建平稳放电模型，并根据所述早充快充时段充电功率序列、早充快充时段放电功率序列、平稳充电时段充电功率序列，以及平稳充电时段放电功率序列，优化需量、最优资源目标值、早充快充时段的充电功率序列和对应的放电功率序列，以及非早充快充的充电时段的平稳充电功率序列和对应的放电功率序列，得到平稳放电时段放电功率序列和平稳放电时段充电功率序列，包括：
将函数：
Min max_outputpower
作为平稳放电模型，其中，max_outputpower为决策变量；
将所述优化需量和最优资源目标值，早充快充时段充电功率序列和早充快充时段放电功率序列，以及平稳充电时段充电功率序列和平稳充电时段放电功率序列，输入所述平稳放电模型；
采用混合整数规划求解所述平稳放电模型，得到平稳放电时段放电功率序列和平稳放电时段充电功率序列。
11.根据权利要求1所述的电池储能***充放电策略优化方法，其特征在于，所述方法还包括：
根据当前本月实际实时需量、用电实体在微调间隔时段内的预计平均负荷、电池储能***剩余电量，在微调间隔时段内优化当前优化周期内的充电功率；
响应于处于早充快充时段，并且所述用电实体在微调间隔时段内的预计平均负荷大于对应的预测负荷，则降低充电功率；
响应于处于早充快充时段，并且所述用电实体在微调间隔时段内的预计平均负荷小于对应的预测负荷，则提高充电功率；
响应于不处于早充快充时段，则根据公式：
Min(max(opt_demand–true_load(k),0),
opt_inputpower,max_charge,(size-inventory(k))/(charge_eff*delta_t))
调整充电功率，其中，opt_demand为实际最优需量，表示优化需量与本月实际实时需量最大值中较大的值，true_load为用电实体在微调间隔时段内的预计平均负荷，opt_inputpower为优化充电功率，max_charge最大充电功率，size为电池储能***容量，inventory(k)为电池储能***当前剩余电量，charge_eff为电池储能***充电能效，delta_t为微调间隔时段的长度。
12.根据权利要求11所述的电池储能***充放电策略优化方法，其特征在于，所述方法还包括：
响应于用电实体在微调间隔时段内的预计平均负荷大于实际最优需量，则根据公式：
Min(max(true_load(k)-opt_demand,0,opt_outputpower),
true_load(k),max_discharge,(inventory(k)-size*(1-depth))*discharge_eff/delta_t)
调整放电功率，其中depth为电池储能***的最大允许放电深度；
响应于用电实体在微调间隔时段内的预计平均负荷小于等于实际最优需量，则根据公式：
min(true_load(k),opt_outputpower,max_discharge,(inventory(k)-size*(1-depth))*
discharge_eff/delta_t)
调整放电功率。
13.根据权利要求1所述的电池储能***充放电策略优化方法，其特征在于，所述方法还包括：
响应于下一个优化周期到来，重复执行优化所述电池储能***的目标充放策略。
14.一种电池储能充放电策略优化装置，其特征在于，包括：
历史数据处理模块，用于获取所述电池储能***的第一历史负荷序列，对所述第一历史负荷序列进行预处理得到第二历史电量序列以及第三历史电量序列；
数据预测模块，用于根据所述第一历史负荷序列得到第一预测负荷序列，根据所述第三历史电量序列得到第三预测电量序列；
聚类模块，用于对所述第二历史电量序列进行聚类，得到电量比例序列，其中，所述电量比例序列对应于每日各整点时段电量占每日总电量比例的序列；
中间隔负荷预测模块，用于根据所述第三预测电量序列以及所述电量比例序列，得到优化时段内所述电池储能***的第二预测负荷序列；
优化模块，用于根据所述第一预测负荷序列、第二预测负荷序列，得到优化时段内所述电池储能***的优化充放电功率序列以及优化需量，作为优化后的目标充放策略。
15.一种电池储能充放电策略优化***，其特征在于，包括存储器、处理器及存储在存储器上并可在处理器上运行的电池储能充放电策略优化程序，所述处理器执行所述电池储能充放电策略优化程序时，实现权利要求1至13任一项所述的电池储能充放电策略优化方法。
CN202311593746.3A 2023-11-27 2023-11-27 一种电池储能***充放电策略优化方法、装置及*** Pending CN117574071A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311593746.3A CN117574071A (zh) 2023-11-27 2023-11-27 一种电池储能***充放电策略优化方法、装置及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311593746.3A CN117574071A (zh) 2023-11-27 2023-11-27 一种电池储能***充放电策略优化方法、装置及***

Publications (1)

Publication Number Publication Date
CN117574071A true CN117574071A (zh) 2024-02-20

Family

ID=89893422

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311593746.3A Pending CN117574071A (zh) 2023-11-27 2023-11-27 一种电池储能***充放电策略优化方法、装置及***

Country Status (1)

Country Link
CN (1) CN117574071A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117973819A (zh) * 2024-04-01 2024-05-03 江苏谷峰电力科技股份有限公司 一种用于电能储放优化的储能管理***及方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117973819A (zh) * 2024-04-01 2024-05-03 江苏谷峰电力科技股份有限公司 一种用于电能储放优化的储能管理***及方法
CN117973819B (zh) * 2024-04-01 2024-06-07 江苏谷峰电力科技股份有限公司 一种用于电能储放优化的储能管理***及方法

Similar Documents

Publication Publication Date Title
Jiang et al. A real-time EV charging scheduling for parking lots with PV system and energy store system
US20230356605A1 (en) Method and apparatus for charging a battery from an isolatable electric power grid
US20240116388A1 (en) Real-time electric vehicle fleet management
US10843586B2 (en) Optimal dispatch of electric vehicles performing V2G regulation
US20160241031A1 (en) Dynamic probability-based power outage management system
CN108321796B (zh) 家庭能量管理***与方法
EP2842792A1 (en) Method for recharging an accumulator of an electric vehicle
CN117574071A (zh) 一种电池储能***充放电策略优化方法、装置及***
MX2013011271A (es) Metodo y sistema para manejo de respuesta de demanda.
CN112529271B (zh) 一种可控负荷集群提供电网备用辅助服务的优化调度方法
US11489337B1 (en) Systems and methods for microutility metering and energy allocation
EP4000996A1 (en) Method and system for adaptively charging of electric vehicles
CN115953011A (zh) 通信基站储能资源调度方法及设备
CN110866647A (zh) 用户侧储能控制方法、装置、设备及存储介质
CN115632432A (zh) 光储荷协同优化方法、设备、介质及***
CN112865114A (zh) 一种基于分时电价的负荷用电管理控制方法
CN110535143B (zh) 面向智能住宅动态需求响应的能源管理方法和装置
KR101581684B1 (ko) 에너지 저장장치의 방전심도 제어를 통한 충방전 스케줄링 장치 및 방법
CN108767883B (zh) 一种需求侧的响应处理方法
GB2586395A (en) Power management system, power management method, and program
CN115742781A (zh) 一种电池充电方法、装置、电子设备及其存储介质
CN110768274B (zh) 一种孤立微电网的功率控制方法和装置
JPWO2019230600A1 (ja) 電力制御方法、プログラム、電力制御システム、及び電力管理システム
WO2023063383A1 (ja) 生成方法、生成装置、及び生成プログラム
CN118137542A (zh) 光伏储能调度方法、装置、计算机设备和存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination