一种基于人工鱼群算法的智能化储能系统并网实时控制方法

摘要

一种基于人工鱼群算法的智能化储能系统并网实时控制方法，该方法在电力负荷历史数据基础上，采用Elman神经网络进行当日电力负荷实时数据的预测；再利用人工鱼群算法对当日电力负荷预测数据进行最优充电放电时间与最优功率的规划，再与通过智能电表获得电力负荷实时数据进行比较，来确定最佳的充放电时间节点。本发明能自动实现用电高峰时候并网放电，低谷时充电，在用户侧实现削峰填谷，提高电力资源的利用效率。

说明书

技术领域

本发明属于储能系统并网控制领域，尤其涉及一种基于人工鱼群算法的智能化储能系统 并网实时控制方法。

背景技术

随着我国经济的飞速发展，国家电网也越来越大，大规模电网所带来的问题也逐渐显露 出来，例如调度困难、安全性和可靠系数不高等。同时，电网总体布局的不平衡性与局部结 构的不合理性与成倍增长的电力需求逐渐凸显出来，成为亟待解决的重要难题。当前，电动 汽车以及UPS的普及，越来越多的家庭拥有大容量锂电池等储能装置，这些分布式的储能系 统以其灵活、环保等优势正逐渐赢得广大市场，并已成为家庭用电的重要支持与补充。

由于电力生产与使用具有特殊性，即电能难以大量存储，而且各类用户对电力的需求是 时刻变化的，这就要求储能系统的充放电应随时紧跟负荷的变化动态平衡，即削峰填谷，使 得系统能最大限度地发挥出设备能力，使整个系统保持稳定且高效地运行，以满足用户的需 求。大规模电池储能系统通过在负荷高峰时放电，在负荷低谷时充电，可以实现对负荷的削 峰填谷功能，同时有利于电网公司与电力用户双方：电网公司利用储能系统削峰填谷，能够 推迟设备容量升级，提高设备利用率，节省设备更新的费用；电力用户利用储能系统削峰填 谷，可以利用峰谷电价差获得经济效益。在国外已有许多大规模电池储能系统在运行；在国 内，南方电网则最先开展了兆瓦级储能系统示范项目。

因此，在这一背景下，如何利用有限的电池容量达到最优的削峰填谷效果，并满足一组 约束条件的限制，是提高储能系统利用率，提升电力用户家庭用电合理性，降低电力公司运 营成本的重要手段。为此，需要借助于优化算法来实现。当前求解储能系统充放电策略的优 化算法主要采用进化计算方法来求解，包括遗传算法、粒子群算法和模拟退火算法。进化计 算方法的优点是模型中可以包含不连续、非线性的约束；但是对于含有多个局部最优解的问 题，进化计算方法算法无法保证收敛到全局最优解。此外，当前在储能系统削峰填谷方面所 采取的策略多是通过优化算法对不同时段的充放电功率进行总体规划，而非通过电力负荷实 时数据进行充放电实时调整，无法自适应地寻找每日充放电的时间节点，大大降低了削峰填 谷效果与储能系统实时利用率。

发明内容

本发明是为避免上述现有技术所存在的不足之处，提出一种基于人工鱼群算法的智能化 储能系统并网实时控制方法，以期能自动实现用电高峰时候并网放电，低谷时充电，在用户 侧实现削峰填谷，从而提高电力资源的利用效率。

本发明为解决技术问题采用如下技术方案：

一种基于人工鱼群算法的智能化储能系统并网实时控制方法，包括如下步骤：

步骤1：从智能电表中获取电力负荷监测数据，所述电力负荷监测数据包括储能系统所 覆盖区域的电力负荷历史数据与电力负荷实时数据；

步骤2：构造一个Elman神经网络，利用步骤1中的电力负荷历史数据对该Elman神经 网络进行训练，计算出该Elman神经网络参数；

步骤3：在储能系统工作当日零时，将当日零时之前一段时间的电力负荷历史数据导入 步骤2中的Elman神经网络中，预测出储能系统工作当日各时段的电力负荷值；

步骤4：对步骤3获得的当日电力负荷预测数据，分别在各时段添加储能系统的充电或 放电功率，构造方差最小化目标函数以及储能装置容量、功率限制、充放电次数约束，利用 人工鱼群算法对上述包含多项约束条件的目标函数进行优化求解，得到储能系统工作当日各 时段预测充电或放电功率；

步骤5：将当日电力负荷实时数据与步骤3得到的当日电力负荷预测数据从当日零时起， 逐时段比较，并按不同情况分别判断各时段是否充电或放电，以及充电或放电的功率，确定 充电或放电时间节点；

步骤6：储能系统当日工作至最后一个时段结束，即当日23时59分，获取最后一次电 力负荷实时数据，然后将当日全部时段的电力负荷实时数据按时序添加到电力负荷历史数据 中，再利用更新后的电力负荷历史数据重新对步骤2中的Elman神经网络进行训练，更新该 Elman神经网络参数，并在下一日零时重复步骤3，4，5，获得下一日的充电放电时间与功率。

作为进一步的技术方案，所述步骤1中的电力负荷实时数据来自于储能系统自带的信号 传感接收装置，通过与智能电表进行数据通信获得；所述步骤1中的电力负荷历史数据通过 储能系统与智能电表长期通信，以及查阅电力部门过往历史记录获得。

作为进一步的技术方案，所述的步骤1中的电力负荷实时数据指从储能系统工作当日零 时开始获取的电力负荷数据，该数据以天为区间，将一天24小时等分为n个时间段，从当日 零时开始获取，此后每隔24/n小时获取一次电力负荷实时数据，直到当日23时59分获取当 日最后一次电力负荷实时数据，共计在n+1个时间节点上获取电力负荷数据；所述步骤1中 的电力负荷历史数据为储能系统工作当日零时之前的电力负荷数据，至少采集过往1个月里 每日每划分时段的完整的电力负荷历史数据，并按照与每日电力负荷实时数据同样的方法进 行每日历史数据等分。

作为进一步的技术方案，所述的步骤2中的Elman神经网络具有(n+1)×l个输入，分别 对应l天的电力负荷历史数据，每天采集n+1次；同时，该神经网络具有n+1个输出，分别对 应一天之内n+1个时间节点上电力负荷预测数据；所述的步骤2中Elman神经网络的参数通 过当日之前N天的历史数据滚动训练出，具体步骤如下：

步骤2.1：取当日之前N天的电力负荷历史数据D₁,…,D_N，其中D₁为距离当日最远一天 的电力负荷历史数据，D_N为当日之前一天的电力负荷历史数据；D₁,…,D_N都由前述n+1个 时间点的电力负荷监测数据构成，即D_i＝[D_i(t₀),…,D_i(t_n)]，D_i(t₀)表示第i天第t₀时间点的电 力负荷数据，D_i(t_n)表示第i天第t_n时间点的电力负荷数据；

步骤2.2：从第1天的电力负荷历史数据开始，取第1天到第l天的电力负荷历史数据 D₁,…,D_l作为Elman神经网络的输入，第l+1天的电力负荷预测数据作为输出目标，记 为一组训练；再取第2天到第l+1天的电力负荷历史数据D₂,…,D_l+1作为Elman神经网络的输 入，第l+2天的电力负荷预测数据作为输出目标，再记为一组训练；以此类推，直到取 第N-l天到第N-l天的电力负荷历史数据D_N-l,…,D_N-1作为Elman神经网络的输入，第N天 的电力负荷预测数据作为输出目标，记为最后一组训练；共计N-l组训练；

步骤2.3：计算每组训练中输出的第i_训练天的电力负荷预测数据与第i_训练天真实的电 力负荷历史数据之间的误差平方，其中，i_训练为每组训练的编号，取值为l+1,…,N；通 过使各组训练的误差平方之和最小化，即以求得Elman神经网络 的参数。

作为进一步的技术方案，所述步骤3中当日零时之前一段时间的电力负荷历史数据是指 第N-l+1天到第N天的电力负荷历史数据D_N-l+1,…,D_N，将D_N-l,…,D_N-1作为步骤2中训练 出的Elman神经网络的输入，求出储能系统工作当日的电力负荷预测数据

作为进一步的技术方案，所述步骤4中当日各时段的充电或放电是指在从当日零时开始， 在当日的前n个时间点开始充电或放电，其中，第一次充电或放电从当日零时即第1个时间 点t₀开始到第2个时间点t₁终止，第二次充电或放电从当日第2个时间点t₁开始到第3个时间 点t₂终止，以此类推直到最后一次充电或放电从当日第n个时间点t_n-1开始到当日23点59分 即第n+1个时间点t_n终止，共计形成n个充电或放电时段，假设在每个时段内，电力负荷始 终与该时段初始时间点的电力负荷实时数据保持一致，分别记为D(t₀),…,D(t_n)；假设在每个 时段内，充电或放电功率保持不变，记为P(t₀),…,P(t_n-1)，则每时段内储能系统充电或放电 的电量为W(t₀),…,W(t_n)，且W(t_j)＝P(t_j)×(3600/n)，其中，j为时间点索引，D(t_j)为当日t_j时间点的电力负荷实时数据，W(t_j)为当日t_j时间点储能系统充电或放电的电量，记 W＝[W(t₀),…,W(t_n)]，P(t_j)为当日t_j时间点储能系统充电或放电功率，则所述步骤4所述的 方差最小化目标函数为：

$E\left(W\right)=\frac{1}{n}{\underset{j=0}{\overset{n-1}{\Sigma }}[\left(\tilde{D}\right(t_j)+W(t_j\left)\right)-\frac{1}{n}\underset{j=1}{\overset{n}{\Sigma }}\left(\tilde{D}\right(t_j)+W(t_j\left)\right)]}^2---\left(1\right)$

当储能系统在t_j时间点充电时，b(t_j)为正值，当储能系统在t_j时间点放电时，b(t_j)为负值。

作为进一步的技术方案，所述步骤3中的约束条件是指：

(1)储能系统容量约束：任意t_j时间点处储能系统中的电量E(t_j)都不能高于储能系统自身 容量上限E_max或低于储能系统自身容量下限E_min；

(2)储能系统充放电功率约束：储能系统在任意t_j时间点处充电或放电的功率都不能高于 储能系统自身功率上限P_max或低于储能系统自身功率下限P_min；

(3)储能系统充放电次数约束：将一个充电阶段加上一个放电阶段算做一次充放电，则每 日充放电次数最多为k次，k为已知的正整数。

作为进一步的技术方案，所述步骤4中利用人工鱼群算法对上述包含多项约束条件的目 标函数进行优化求解具体是按如下步骤：

步骤4.1：在储能系统容量约束、储能系统充放电功率约束、储能系统充放电次数约束范 围内利用均匀随机数生成器随机抽样出m组不同的当日各时间点储能系统充电或放电功率 P₁＝[P₁(t₀),…,P₁(t_n-1)],…,P_m＝[P_m(t₀),…,P_m(t_n-1)]，为叙述简便，下文将任意当日各时间点储能 系统充电或放电功率称为式(1)的一个解，P₁,…,P_m为解的初始种群；对于初始种群P₁,…,P_m中 所有解，计算W₁＝P₁×(3600/n),…,W_m＝P_m×(3600/n)，并将W₁,…,W_m代入式(1)中求得所有解 的目标函数值E(W₁),…,E(W_m)，记其中最小的值为E^*(W)；设置搜索区域阈值d_Visual、拥挤程 度δ(0＜δ＜1)、随机步长η_rand、最大重复次数n_max、最大迭代次数T；

步骤4.2：对于初始种群P₁,…,P_m中任意一个解P_s，s为解的标号，s＝1,…,m，其在 E(W₁),…,E(W_m)中所对应的目标函数值为E(W_s)；然后执行下述聚群行为与追尾行为：

聚群行为：计算初始种群中与P_s的欧式距离小于d_Visual的所有解，记这些解的个数为n_f， 并求出这些解的平均值P_c，计算W_c＝P_c×(3600/n)，并将W_c代入式(1)中求得E(W_c)，如果 E(W_c)/n_f＜δ×E(W_s)，且E(W_s)＞E(W_c)，则在约束(2)的范围之内得到新的解P_s|next1， 且P_min≤P_s|next1≤P_max，其中||P_c-P_s||表示P_s与P_c之间的欧式距离： 否则，执行转步骤4.3，执行觅食行为；

追尾行为：计算初始种群中与P_s的欧式距离小于d_Visual的所有解，记这些解的个数为n_f， 并分别这些解乘以3600/n，再代入式(1)中，计算不同E(W)，记这些解中得到的E(W)最小的 解为P_e，计算，W_e＝P_e×(3600/n)，并将W_e代入式(1)中求得E(W_e)，如果E(W_e)/n_f＜δ×E(W_s)， 且E(W_s)＞E(W_e)，则在约束(2)的范围之内得到新的解P_s|next2，且 P_min≤P_s|next2≤P_max；否则，执行转步骤4.3，执行觅食行为；

步骤4.3：对于初始种群P₁,…,P_m中任意一个解P_s，s为解的标号，s＝1,…,m，如果不满 足步骤4.2中两种行为的条件，则执行下述觅食行为：

觅食行为：计算初始种群中与P_s的欧式距离小于d_Visual的所有解，从中随机选择一个解， 记为P_r，计算W_r＝P_r×(3600/n)，并将W_r代入式(1)中求得E(W_r)，如果E(W_s)＞E(W_r)，则在 约束(2)的范围之内得到新的解P_s|next3，且P_min≤P_s|next3≤P_max；否则， 再执行步骤4.3，重新从与P_s的欧式距离小于d_Visual的所有解中随机选择一个解，判断是否满 足条件，以上述方式重复n_max次后，如果仍不满足条件，则在约束(2)的范围之内随机得到新 的解P_s|next4，P_s|next4＝P_s+η_rand，且P_min≤P_s|next4≤P_max；

对上述聚群、追尾、觅食和随机四种行为的新解P_s|next1，P_s|next2，P_s|next3，P_s|next4，分别计 算W_s|next1＝(3600/n)×P_s|next1，W_s|next2＝(3600/n)×P_s|next2，W_s|next3＝(3600/n)×P_s|next3， W_s|next4＝(3600/n)×P_s|next4，并将其带入式(1)中求得E(W_s|next1)，E(W_s|next2)，E(W_s|next3)，E(W_s|next4)， 取上述四个值中最小的为E(W_s|next)，记得到该值的解为当前的最优新解P_s|next；

步骤4.4：对初始种群中的所有解P₁,…,P_m执行步骤4.2～4.3，得到所有解的新解 P_1|next,…,P_m|next；再计算W_1|next＝P_1|next×(3600/n),…,W_m|next＝P_m|next×(3600/n)，并将W_1|next,…,W_m|next代入式(1)中求得所有新解的目标函数值E(W_1|next),…,E(W_m|next)，记其中最小的值为如 果或达到最大迭代次数T，则终止迭代，并记产生的P^*为当前最优 解；否则，将所有新解作为新的初始种群，返回步骤4.2继续循环；

步骤4.5：对满足步骤4.4条件输出的当前最优解P^*，如果满足约束(1)(3)，则P^*为最终 最优解，即P^*为当日各时间点储能系统最优充电或放电功率；否则，返回步骤4.1继续循环。

作为进一步的技术方案，所述步骤5中将当日电力负荷实时数据D与步骤3得到的当日 电力负荷预测数据从当日零时起逐时段比较，在任一时间点t_j，其比较规则如下：

(1)若在t_j时间点P^*(t_j)≥0，且或则储能系统此时处于 放电状态，且放电功率为P^*(t_j)，D_放电为事先设定的最小放电阈值；

(2)若在t_j时间点P^*(t_j)≥0，且D(t_j)＜D_放电，则储能系统此时预测为放电状态，但根据 电力负荷实时数据应该调整为充电状态，且放电功率为最低功率P_min；

(3)若在t_j时间点P^*(t_j)＜0，且或则储能系统此时处 于充电状态，且充电功率为P^*(t_j)，D_充电为事先设定的最大充电阈值；

(4)若在t_j时间点P^*(t_j)＜0，且D(t_j)＞D_充电，则储能系统此时预测为充电状态，但根据 电力负荷实时数据应该调整为放电状态，且放电功率为最低功率P_min；

作为进一步的技术方案，所述步骤6中储能系统当日工作至最后一个时段结束后，将当 日全部时段的电力负荷实时数据D添加到电力负荷历史数据中作为第N+1天的历史数据 D_N+1，再取D₁,…,D_N+1,作为预测下一天电力负荷的历史数据。

与已有技术相比，本发明有益效果体现在：

1、本发明是一种基于人工鱼群算法的智能化储能系统并网实时控制方法。该方法在电力 负荷历史数据基础上，采用Elman神经网络进行当前电力负荷实时数据的预测；再利用人工 鱼群算法对每日电力负荷预测数据进行最优充放电规划，并与通过智能电表获得电力负荷实 时数据进行比较，来确定最佳的充放电时间节点，从而自动实现了用电高峰时候并网放电， 低谷时充电，在用户侧实现了削峰填谷，提高了电力资源的利用效率。

2、与现有在蓄电池硬件设备上加装充放电开关的方案相比，本发明提供的技术方案通过 与智能电表进行实时通信，利用软件实现了对储能系统充放电的智能实时控制，能够解决人 为操作失误造成的用电损失，避免了传统储能系统由于人员疏忽或遗忘而造成的充电时间过 长等用电损失和重大安全隐患；与现有的定时充放电储能系统相比，本发明提供的技术方案 也克服了定时储能系统不能根据当前电力负荷情况对储能系统充电放电情况进行实时调整的 缺陷，能根据当前电力负荷情况对储能系统的充电放电情况进行实时调整，降低了储能设备 损耗，提高了电力利用率。

3、本发明在步骤1中采集了电力负荷历史数据。其采集的数据按照需求划分均匀，采集 时间较长。所采集的数据既包含了长期的电力负荷历史数据，又包含了与当前监测电力负荷 实时数据，使得本发明提出的智能控制方法同时考虑了当前用电负荷的实时调整比较与长期 的用电负荷趋势。

4、本发明在步骤2、3中利用采集的电力负荷历史数据训练Elman神经网络，预测储能 系统工作当日的电力负荷数据。由于电力生产与使用的特殊性，且各类用户对电力的需求是 时刻变化的，因此，电力负荷的预测是储能系统并网控制顺利进行的前提和基础。由于电力 负荷变化的非线性、时变性和不确定性的特点，很难建立一个合适的数学模型来清晰地表达 负荷和影响负荷的变量之间的故事关系。本发明采用Elman神经网络进行电力负荷预测，可 以根据负荷的历史数据、选定反馈神经网络的输入、输出节点，来反映电力系统负荷运行的 内在规律，从而达到准确预测未来时段负荷的目的。

5、本发明在步骤4中利用步骤3获得的当日电力负荷预测数据，分别在各时段添加储能 系统可能的充电或放电功率，构造方差最小化目标函数以及储能装置容量、功率上限、充放 电次数约束。本发明利用人工鱼群算法对上述包含多项约束条件的目标函数进行优化求解， 可以克服优化目标函数的局部极值，取得全局最优解。此外，人工鱼群算法还具有对初值与 参数选择不敏感、鲁棒性强、简单易实现、收敛速度快和使用灵活等特点，因此可以有效规 划储能系统工作当日各时段预测充电或放电功率。

6、本发明在步骤5中设置了不同情况对当日电力负荷实时数据与步骤3得到的当日电力 负荷预测数据进行比较，充分考虑了预测数据与实时数据之间的差异，并根据差异情况对储 能系统的充放电功率进行实时调整，保证了储能系统的正常运行。

7、本发明在步骤6中将当日全部时段的电力负荷实时数据按时序添加到电力负荷历史数 据，并利用更新后的电力负荷历史数据重新对步骤2中的Elman神经网络进行训练，可以使 预测模型随时间变化而不断更新，使其更加适合不同时间不同用户的用电需求，并实现了数 据的滚动循环，提高了控制效率。

附图说明

图1是本发明流程图；

图2是本发明中Elman神经网络结构示意图；

图3是本发明中人工鱼群算法流程图。

具体实施方式

参阅图1，本实施例中，一种基于人工鱼群算法的智能化储能系统并网实时控制方法是 按如下过程进行：

步骤1、获取数据：从智能电表中获取电力负荷监测数据，所述电力负荷监测数据包括 储能系统所覆盖区域的电力负荷历史数据与电力负荷实时数据。

利用储能系统自带的信号传感接收装置，通过与智能电表进行数据通信获取电力负荷实 时数据，其中，电力负荷实时数据指从储能系统工作当日零时(00:00)开始获取的电力负荷数 据，该数据以天为区间，将一天24小时等分为n个时间段，从当日零时开始获取，此后每隔 24/n小时获取一次电力负荷实时数据，直到当日23时59分获取当日最后一次电力负荷实时 数据，共计在n+1个时间节点上获取电力负荷数据；通过储能系统与智能电表长期通信，以 及查阅电力部门过往历史记录获取电力负荷历史数据，其中电力负荷历史数据为储能系统工 作当日零时之前的电力负荷数据，至少采集过往1个月里每日每划分时段的完整的电力负荷 历史数据，并按照与每日电力负荷实时数据同样的方法进行每日历史数据等分。本领域的一 般技术人员很容易了解，该步骤中的采集时间节电(零时、23时59分)可以根据需要自由设定。

步骤2、构造并训练电力负荷数据的Elman神经网络：即构造一个Elman神经网络，利 用所述电力负荷历史数据对所述Elman神经网络进行训练，获得所述Elman神经网络参数；

Elman神经网络是一种反馈型神经网络，该模型在前馈式神经网络的隐含层中增加了一 个承接层，作为一步延时的算子，以达到记忆的目的，使其对历史状态的数据具有敏感性， 从而使系统具有适应时变特性的能力，能直接反映动态过程系统的特性。此外，Elman神经 网络能够以任意精度逼近任意非线性映射，可以不考虑外部噪声对系统影响的具体形式。因 此，本发明采用Elman神经网络进行电力负荷预测可以根据负荷的历史数据、选定反馈神经 网络的输入、输出节点，来反映电力系统负荷运行的内在规律，从而达到准确预测未来时段 负荷的目的。本发明中所构造的Elman神经网络具有(n+1)×l个输入，分别对应l天的电力负 荷历史数据，每天采集n+1次；同时，该神经网络具有n+1个输出，分别对应一天之内n+1个 时间节点上电力负荷预测数据；该Elman神经网络的参数通过当日之前N天的历史数据滚动 训练出，如图2所示，具体步骤如下：

步骤2.1、取当日之前N天的电力负荷历史数据D₁,…,D_N，其中D₁为距离当日最远一天 的电力负荷历史数据，D_N为当日之前一天的电力负荷历史数据；D₁,…,D_N都由前述n+1个 时间点的电力负荷监测数据构成，即D_i＝[D_i(t₀),…,D_i(t_n)]，D_i(t₀)表示第i天第t₀时间点的电 力负荷数据，D_i(t_n)表示第i天第t_n时间点的电力负荷数据；1≤i≤N；

步骤2.2、从第1天的电力负荷历史数据开始，取第1天到第l天的电力负荷历史数据 D₁,…,D_l作为Elman神经网络的输入，第l+1天的电力负荷预测数据作为输出目标，记 为一组训练；再取第2天到第l+1天的电力负荷历史数据D₂,…,D_l+1作为Elman神经网络的输 入，第l+2天的电力负荷预测数据作为输出目标，再记为一组训练；以此类推，直到取 第N-l天到第N-l天的电力负荷历史数据D_N-l,…,D_N-1作为Elman神经网络的输入，第N天 的电力负荷预测数据作为输出目标，记为最后一组训练；共计N-l组训练；

步骤2.3、计算每组训练中输出的第i_训练天的电力负荷预测数据与第i_训练天真实的电 力负荷历史数据D_i训练之间的误差平方，其中，i_训练为每组训练的编号，取值为l+1,…,N；通 过使各组训练的误差平方之和最小化，即以求得Elman神经网络 的参数；

步骤3、预测当日电力负荷数据：

将储能系统当前工作日记为当日；在储能系统工作当日零时(00:00)，将第N-l+1天到第 N天的电力负荷历史数据D_N-l+1,…,D_N，将D_N-l,…,D_N-1作为步骤2中训练出的Elman神经 网络的输入，导入前述Elman神经网络中，求出储能系统工作当日的电力负荷预测数据

步骤4、基于人工鱼群算法的储能系统当日充放电规划：

对步骤3获得当日电力负荷预测数据，分别在各时段添加储能系统可能的充电或放电功 率，构造方差最小化目标函数以及储能装置容量、功率限制、充放电次数约束；利用人工鱼 群算法对上述包含多项约束条件的目标函数进行优化求解，得到储能系统工作当日各时段预 测充电或放电功率。

其中，当日各时段的充电或放电是指在从当日零时开始，在当日的前n个时间点开始充 电或放电，其中，第一次充电或放电从当日零时(第1个时间点t₀)开始到第2个时间点t₁终止， 第二次充电或放电从当日第2个时间点t₁开始到第3个时间点t₂终止，以此类推直到最后一 次充电或放电从当日第n个时间点t_n-1开始到当日23点59分(第n+1个时间点t_n)终止，共计 形成n个充电或放电时段。

假设在每个时段内，电力负荷始终与该时段初始时间点的电力负荷实时数据保持一致， 分别记为D(t₀),…,D(t_n)；假设在每个时段内，充电或放电功率保持不变，记为 P(t₀),…,P(t_n-1)，则每时段内储能系统充电或放电的电量(储能系统做功)为W(t₀),…,W(t_n)， 且W(t_j)＝P(t_j)×(3600/n)，其中，j为时间点索引，D(t_j)为当日t_j时间点的电力负荷实时数 据，W(t_j)为当日t_j时间点储能系统充电或放电的电量(储能系统做功)，记 W＝[W(t₀),…,W(t_n)]，P(t_j)为当日t_j时间点储能系统充电或放电功率，则方差最小化目标函 数为：

$E\left(W\right)=\frac{1}{n}\underset{j=0}{\overset{n-1}{\Sigma }}{[\left(\tilde{D}\right(t_j)+W(t_j\left)\right)-\frac{1}{n}\underset{j=1}{\overset{n}{\Sigma }}\left(\tilde{D}\right(t_j)+W(t_j\left)\right)]}^2---\left(1\right)$

当储能系统在t_j时间点充电时，P(t_j)为正值，当储能系统在t_j时间点放电时，P(t_j)为负值。

式(1)中的模型仅考虑了不同时段充电放电功率的总体最优规划，还没有考虑电池本身的 硬件自身设置、使用寿命与用电安全方面的约束因素。因此，本发明在优化目标函数(1)的同 时还考虑储能装置容量、功率上限、充放电次数三种约束，其形式分别表达如下：

(1)储能系统容量约束：任意t_j时间点处储能系统中的电量E(t_j)都不能高于储能系统自身 容量上限E_max或低于储能系统自身容量下限E_min。

(2)储能系统充放电功率约束：储能系统在任意t_j时间点处充电或放电的功率都不能高于 储能系统自身功率上限P_max或低于储能系统自身功率下限P_min。

(3)储能系统充放电次数约束：将一个充电阶段加上一个放电阶段算做一次充放电，则每 日充放电次数最多为k次，k为已知的正整数。

然后利用人工鱼群算法对上述包含多项约束条件的目标函数进行优化求解，人工鱼群算 法源于对鱼群觅食等行为的模拟，其基本思想是：在一片水域中，营养物质最多最好的地方 一般是鱼群数量最多的地方，可以依据这一特点来模拟鱼群的觅食、聚群、追尾等智能行为， 从而实现全局的寻优。由于电力负荷数据的复杂性与储能系统充放电规划的不确定性，使得 其方差最小化目标函数的优化问题明显含有多个局部最优解的，传统进化计算方法算法无法 保证收敛到全局最优解，而人工鱼群算法最大的优点就是可以克服优化目标函数的局部极值， 取得全局最优解。此外，人工鱼群算法还具有对初值与参数选择不敏感、鲁棒性强、简单易 实现、收敛速度快和使用灵活等特点，因此可以有效规划储能系统工作当日各时段预测充电 或放电功率。如图3所示，具体步骤如下：

步骤4.1、在储能系统容量约束、储能系统充放电功率约束、储能系统充放电次数约束范 围内利用均匀随机数生成器随机抽样出m组不同的当日各时间点储能系统充电或放电功率 P₁＝[P₁(t₀),…,P₁(t_n-1)],…,P_m＝[P_m(t₀),…,P_m(t_n-1)]。为叙述简便，下文将任意当日各时间点储能 系统充电或放电功率称为式(1)的一个解，P₁,…,P_m为解的初始种群；

对于初始种群P₁,…,P_m中所有解，计算W₁＝P₁×(3600/n),…,W_m＝P_m×(3600/n)，并将 W₁,…,W_m代入式(1)中求得所有解的目标函数值E(W₁),…,E(W_m)，记其中最小的值为E^*(W)； 设置搜索区域阈值d_Visual、拥挤程度δ(0＜δ＜1)、随机步长η_rand、最大重复次数n_max、最大迭 代次数T；

步骤4.2、对于初始种群P₁,…,P_m中任意一个解P_s，s为解的标号，s＝1,…,m，其在 E(W₁),…,E(W_m)中所对应的目标函数值为E(W_s)；然后执行下述聚群行为与追尾行为：

聚群行为：计算初始种群中与P_s的欧式距离小于d_Visual的所有解，记这些解的个数为n_f， 并求出这些解的平均值P_c。计算W_c＝P_c×(3600/n)，并将W_c代入式(1)中求得E(W_c)。如果 E(W_c)/n_f＜δ×E(W_s)，且E(W_s)＞E(W_c)，则在约束(2)的范围之内得到新的解P_s|next1， 且P_min≤P_s|next1≤P_max，其中‖P_c-P_s‖表示P_s与P_c之间的欧式距离； 否则，执行转步骤4.3，执行觅食行为；

追尾行为：计算初始种群中与P_s的欧式距离小于d_Visual的所有解，记这些解的个数为n_f， 并分别这些解乘以3600/n，再代入式(1)中，计算不同E(W)，记这些解中得到的E(W)最小的 解为P_e。计算，W_e＝P_e×(3600/n)，并将W_e代入式(1)中求得E(W_e)。如果E(W_e)/n_f＜δ×E(W_s)， 且E(W_s)＞E(W_e)，则在约束(2)的范围之内得到新的解P_s|next2，且 P_min≤P_s|next2≤P_max；否则，执行转步骤4.3，执行觅食行为。

步骤4.3、对于初始种群P₁,…,P_m中任意一个解P_s，s为解的标号，s＝1,…,m，如果不满 足步骤4.2中两种行为的条件，则执行下述觅食行为：

觅食行为：计算初始种群中与P_s的欧式距离小于d_Visual的所有解，从中随机选择一个解， 记为P_r。计算W_r＝P_r×(3600/n)，并将W_r代入式(1)中求得E(W_r)。如果E(W_s)＞E(W_r)，则在 约束(2)的范围之内得到新的解P_s|next3，且P_min≤P_s|next3≤P_max；否则， 再执行步骤4.3，重新从与P_s的欧式距离小于d_Visual的所有解中随机选择一个解，判断是否满 足条件。以上述方式重复n_max次后，如果仍不满足条件，则在约束(2)的范围之内随机得到新 的解P_s|next4，P_s|next4＝P_s+η_rand，且P_min≤P_s|next4≤P_max；

对上述聚群、追尾、觅食和随机四种行为的新解P_s|next1，P_s|next2，P_s|next3，P_s|next4。分别计 算W_s|next1＝(3600/n)×P_s|next1，W_s|next2＝(3600/n)×P_s|next2，W_s|next3＝(3600/n)×P_s|next3， W_s|next4＝(3600/n)×P_s|next4，并将其代入式(1)中求得E(W_s|next1)，E(W_s|next2)，E(W_s|next3)，E(W_s|next4)， 取上述四个值中最小的为E(W_s|next)，记得到该值的解为当前的最优新解P_s|next；

步骤4.4、对初始种群中的所有解P₁,…,P_m执行步骤4.2～4.3，得到所有解的当前最优新 解P_1|next,…,P_m|next；再计算W_1|next＝P_1|next×(3600/n),…,W_m|next＝P_m|next×(3600/n)，并将 W_1|next,…,W_m|next代入式(1)中求得所有新解的目标函数值E(W_1|next),…,E(W_m|next)，记其中最小的 值为如果或达到最大迭代次数T，则终止迭代，并记产生的 P^*为当前最优解；否则，将所有新解作为新的初始种群，返回步骤4.2继续循环；

步骤4.5、对满足步骤4.4条件输出的当前最优解P^*，如果满足约束(1)(3)，则P^*为最终 最优解，即P^*为当日各时间点储能系统最优充电或放电功率；否则，返回步骤4.1继续循环。

通过上述步骤，在人工鱼群算法最终收敛时，得到储能系统工作当日各时段预测充电或 放电功率规划。

步骤5、比较电力负荷实时数据与电力负荷预测数据，自动判定充电或放电时间节点。

将当日电力负荷实时数据D与当日电力负荷预测数据从当日零时起逐时段比较；在任 一时间点t_j，其比较规则如下：

(1)若在t_j时间点P^*(t_j)≥0，且或则储能系统此时处于 放电状态，且放电功率为P^*(t_j)，D_放电为事先设定的最小放电阈值；

(2)若在t_j时间点P^*(t_j)≥0，且D(t_j)＜D_放电，则储能系统此时预测为放电状态，但根据 电力负荷实时数据应该调整为充电状态，且放电功率为最低功率P_min；

(3)若在t_j时间点P^*(t_j)＜0，且或则储能系统此时处 于充电状态，且充电功率为P^*(t_j)，D_充电为事先设定的最大充电阈值；

(4)若在t_j时间点P^*(t_j)＜0，且D(t_j)＞D_充电，则储能系统此时预测为充电状态，但根据 电力负荷实时数据应该调整为放电状态，且放电功率为最低功率P_min；

按上述不同情况分别判断各时间点是否充电或放电，以及充电或放电的功率，自动确定 充电或放电时间节点。

6、更新电力负荷历史数据，进入下一次循环。

储能系统当日工作至最后一个时段结束，即当日23时59分，获取最后一次电力负荷实 时数据，然后将当日全部时段的电力负荷实时数据D添加到电力负荷历史数据中作为第N+1 天的历史数据D_N+1，再取D₁,…,D_N+1,作为更新后的电力负荷历史数据重新对步骤2中的 Elman神经网络进行训练，更新该Elman神经网络参数，并在下一日零时(00:00)重复步骤3， 步骤4和步骤5，从而获得下一日的充电放电时间与功率。

一般来讲，如果当前时间点的电力负荷满足步骤5的情况，则可以初步判断是否充电或 放电。需要说明的是，本发明提供的智能化储能系统并网控制方法，虽然比人工设置、定时 充放电等方式具有明显的优势，但是，依然不能完全、单独作为用户储能系统充电放电确认 判别依据，其更多的是提供一种充放电控制，主要用于在避免人为失误、减少工作量的同时， 提高储能系统的充放电效率，而对于各种具体实际情况，例如用户新添置了大功率用电设备， 则需要结合人工控制对算法涉及的参数进行调整。

以上所述仅为本发明创造的较佳实施例而已，并不用以限制本发明创造，凡在本发明创 造的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明创造的保护范 围之内。