基于模型预测的运营商储能的滚动优化方法及装置

摘要

本申请公开基于模型预测的运营商储能的滚动优化方法及装置，方法包括：将被控对象的历史信息和影响因子输入预测模型，获得负荷出力行为和光伏行为；根据负荷出力行为和光伏行为建立用户模型；根据用户模型获得预设时段内用户的放电需求以及光伏出力，并根据放电需求以及光伏出力建立云储能充放电策略模型；根据云储能供应商运行成本最小的需求，对云储能充放电策略模型进行滚动优化处理，获得滚动优化处理后的输出值；测量滚动优化处理后的输出值和滚动优化处理前的输入值之间的差值，并将差值作用到滚动优化处理后的输出值，得到滚动优化结果。本申请可以减小中间损耗，提高云储能的盈利效果，使得云储能运营商管理储能方式更加科学有效。

说明书

技术领域

本申请涉及云储能技术领域，尤其涉及基于模型预测的运营商储能的滚动优化方法及装置。

背景技术

在提出双碳目标的背景下，为了实现电力系统的清洁、高效、可靠等目标，大量的分布式发电设备(如风力、光伏发电)、储能设备等接入到电网中，使得电网出现非线性，时空分布的不确定性等特性。面对出现的能源并网难度大，储能的发展为其提供了一个解决思路。新能源的发展使得发电和储能不再完全被发电集团等占有，用户完全能够自行搭建发电和储能设备。随着共享经济的发展，国内外兴起一种云储能的概念。云储能是一种可以实现信息、费用双向传输的储能云共享平台交易。

目前，云储能有两种实现方式，第一种也就是云储能的初始阶段，用户拥有分布式储能设备，共享储能平台；另一种为独立的储能运营商自建储能设备，用户搭建分布式储能资源为辅，二者联合为用户提供完整的储能服务。在借助用户分布式储能设备后，由电力公司搭建的云储能平台可以综合用户的充放电需求，在满足用户需求的基础上实现最小损耗的利用。云储能可以使得用户多余的电量可以进入共享平台中，实现用户充分的互补性提高储能效率。

但是，云储能同样会带来一些问题，由于用户的充放电属于无序行为，如何能够使得云储能运营商管理储能方式，选择储能容量这亟待解决。

发明内容

本申请提供基于模型预测的运营商储能的滚动优化方法及装置，以解决现有技术中云储能运营商管理的储能方式不够科学的问题。

为解决上述技术问题，本申请提出一种基于模型预测的运营商储能的滚动优化方法，包括：将被控对象的历史信息和影响因子输入预测模型，获得负荷出力行为和光伏行为；根据负荷出力行为和光伏行为建立用户模型；根据用户模型获得预设时段内用户的放电需求以及光伏出力，并根据放电需求以及光伏出力建立云储能充放电策略模型；根据云储能供应商运行成本最小的需求，对云储能充放电策略模型进行滚动优化处理，获得滚动优化处理后的输出值；测量滚动优化处理后的输出值和滚动优化处理前的输入值之间的差值，并将差值作用到滚动优化处理后的输出值，得到滚动优化结果。

可选地，获得负荷出力行为的步骤，包括：采用K-means均值聚类法对用户进行聚类；对负荷使用数据按照节假日和工作日进行分类，并将分类后的负荷使用数据输入不同的数据模型进行训练；采用支持向量机回归法，将预设时间内的天气情况作为影响因子输入已经训练好的数据模型中，从而获得预测的用户负荷出力行为。

可选地，获得光伏行为的步骤，包括：对天气数据进行聚类分组；在分组完成的情况下，将环境温度平均值、相对湿度和风速输入光伏出力神经网络的预测模型进行训练，从而输出24小时的光伏发电出力功率数值作为光伏行为的数据；其中，光伏出力神经网络的预测模型的隐含层为1层，时间分辨率为1小时。

可选地，云储能充放电策略模型为：

可选地，根据云储能供应商运行成本最小的需求，对云储能充放电策略模型进行滚动优化处理，获得滚动优化处理后的输出值的步骤，包括：结合对于未来n个时间段的用户的行为的预测、用户当前充放电需求以及储能设施当前t时段的状态，优化出t至t+n时间段储能设施的充电和放电策略；对每一时间段重复进行滚动优化，直至输出每一个时间段的滚动优化处理的值。

为解决上述技术问题，本申请提出一种基于模型预测的运营商储能的滚动优化装置，包括：模型预测模块，用于将被控对象的历史信息和影响因子输入预测模型，获得负荷出力行为和光伏行为；根据负荷出力行为和光伏行为建立用户模型；滚动优化模块，用于根据用户模型获得预设时段内用户的放电需求以及光伏出力，并根据放电需求以及光伏出力建立云储能充放电策略模型；根据云储能供应商运行成本最小的需求，对云储能充放电策略模型进行滚动优化处理，获得滚动优化处理后的输出值；反馈校正模块，用于测量滚动优化处理后的输出值和滚动优化处理前的输入值之间的差值，并将差值作用到滚动优化处理后的输出值，得到滚动优化结果。

可选地，模型预测模块还用于：采用K-means均值聚类法对用户进行聚类；对负荷使用数据按照节假日和工作日进行分类，并将分类后的负荷使用数据输入不同的数据模型进行训练；采用支持向量机回归法，将预设时间内的天气情况作为影响因子输入已经训练好的数据模型中，从而获得预测的用户负荷出力行为。

可选地，模型预测模块还用于：对天气数据进行聚类分组；在分组完成的情况下，将环境温度平均值、相对湿度和风速输入光伏出力神经网络的预测模型进行训练，从而输出24小时的光伏发电出力功率数值作为光伏行为的数据；其中，光伏出力神经网络的预测模型的隐含层为1层，时间分辨率为1小时。

可选地，云储能充放电策略模型为：

可选地，滚动优化模块还用于：结合对于未来n个时间段的用户的行为的预测、用户当前充放电需求以及储能设施当前t时段的状态，优化出t至t+n时间段储能设施的充电和放电策略；对每一时间段重复进行滚动优化，直至输出每一个时间段的滚动优化处理的值。

本申请提出基于模型预测的运营商储能的滚动优化方法及装置，通过模型预测，滚动优化和反馈校正得到运营商储能的滚动优化结果。其中，通过模型预测可以获得负荷出力行为和光伏行为，通过滚动优化可以响应云储能供应商运行成本最小的需求，通过反馈校正可以对滚动优化的输出值进行修正，利用反馈信息，构成闭环优化。通过上述方式，本申请可以对用户的负荷出力行为和光伏行为进行精准预测，减小中间损耗，提高云储能的盈利效果，使得云储能运营商管理储能方式更加科学有效。

附图说明

为了更清楚地说明本申请的技术方案，下面将对实施方式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申请的一些实施方式，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是本申请基于模型预测的运营商储能的滚动优化方法一实施例的原理示意图；

图2是本申请基于模型预测的运营商储能的滚动优化方法一实施例的流程示意图；

图3是一实施例中滚动优化的原理示意图；

图4是本申请基于模型预测的运营商储能的滚动优化装置一实施例的结构示意图。

具体实施方式

为使本领域的技术人员更好地理解本申请的技术方案，下面结合附图和具体实施方式对本申请所提供基于模型预测的运营商储能的滚动优化方法及装置进一步详细描述。

现有技术中，针对分布式云储能控制策略存在以下问题：

(1)没有对用户行为(包括使用负荷和光伏出力)采用一个精准的数学模型来描述和预测。

(2)没有一个使得分布式储能运营商合理准确地对储能的调用方式方法。

(3)没有合理优化运营商响应用户需求的控制策略。

基于此，本申请提出一种基于模型预测的运营商储能的滚动优化方法，用于解决云储能运营商在满足用户需求的基础上，基于成本最小优化充放电需求，从而提高盈利能力。本申请的实施方式可以分成三个阶段，模型预测，滚动优化和反馈校正。请参阅图1，图1是本申请基于模型预测的运营商储能的滚动优化方法一实施例的原理示意图。

在图1中，r(k)表示在k时刻优化目标设定值，u(k)为最优控制序列，d(k)为控制过程中的扰动变量，y(k|k)为被控对象在k时刻的输出状态测量值，y(k+j|k)为系统下发控制序列后经预测模型计算得到的k+j时刻被控对象的控制输出，y(k)为被控对象k时刻经模型预测控制优化后的最终输出值。图1中每个阶段的解释如下：

(1)模型预测

预测模型根据被控对象的历史信息和未来输入，预测系统未来的响应。预测模型只重视模型的功能，而不注重模型的形式，因此预测模型可以分为参数模型及非参数模型。凡是具有预测系统未来状态的模型都可以作为预测模型。总的来说，模型预测过程就是依据被控对象的历史状态信息{u(k-j),y(k-j)|j≥1}和未来一段时间的输入信息{u(k+j-1)|j＝1,2,3,…,m}，预测被控系统的未来输出{y(k+j)|j＝1,2,3,…,p}，其中，m为控制时域，p为预测时域，m

(2)滚动优化

滚动优化是模型预测算法(model predictive control,MPC)的核心环节，因为此过程不是－次离线计算就能得出结果，而足要进行在线的反复多次求解，故称为滚动优化。在每一个采样时刻，根据该时刻优化性能指标J(k)，求解未来M个控制时段内的最优控制序列{Δu(k),Δu(k+1),…,Δu(k+M-1)}。为了防止模型失配及环境干扰引起控制误差，只有当前值是实际执行的，在下一个采样时刻又重新求取最优控制序列。其中，优化性能指标J(k)可以为二次优化函数：

式中：Y(k+j|k)表示k时刻预测的未来k+j时刻的输出变量；

(3)反馈校正

实际被控过程存在非线性、时变性、不确定性等原因，使基于模型预测控制的预测输出不可能与实际被控过程完全相同。在每一个采样时刻，通过实际测量到的输出信息对基于模型的预测输出进行修正，然后进行新一轮的优化，使滚动优化不仅基于模型，同时利用反馈信息，构成闭环优化。

计算k时刻被控对象经过滚动优化后的输出值y(k)与系统优化目标设定值r(k)之间的偏差Δe(k)＝y(k)-r(k)。并将偏差Δe(k)作用到y(k)上，以获得精确的控制结果。

请参阅图2，图2是本申请基于模型预测的运营商储能的滚动优化方法一实施例的流程示意图，在本实施例中，基于模型预测的运营商储能的滚动优化方法可以包括步骤S110～S150，各步骤具体如下：

S110：将被控对象的历史信息和影响因子输入预测模型，获得负荷出力行为和光伏行为。

由于单一用户负荷数值小，即使用户用电存在一定的规律，预测结果也往往表现出不确定性，导致难以针对单一用户进行负荷预测。在用户数量较多的情况下，若是对每个用户进行预测分析会导致计算量较大且准确性也不高。若是考虑先对用户负荷进行聚类，再对聚类后的用户负荷进行预测，既能减少运算量，提升预测速度，也能够消除单用户负荷预测的不确定性，减小用户负荷预测的误差。此外在云储能模式下用户众多，一般云储能模式的实施对象是聚类后的用户，且需要的参与聚类数目较多，因此有必要对用户按其相似的特征进行聚类，再对聚类后的用户进行负荷和光伏的预测。具体地：

A)获得负荷出力行为：

步骤1：采用K-means均值聚类法对用户进行聚类；具体归类方法为：

1)首先，选择数据来源，数据包括每个用户日负的荷序列计算平均负荷、峰时负载值、谷时负载值等描述用户日用电量序列的静态特征以及日负荷增长率、日负荷峰谷值增长率等描述用户日用电量变化的动态特征。采用这些数据进行聚类，可以分为M

2)取随机M

计算所有质心场景与所有剩余场景的距离：

3)将所有剩余场景归类于与自身距离最近的质心场景，本次聚类后的同类场景集合可表示为C

4)计算新的质心场景：假设每个聚类场景集合Ci中有Lx个场景，该场景集合中每个场景与其他场景的距离之和ETx表示为：

选取距离之和最小，即

5)重复上述步骤，直到质心场景和聚类结果都不再发生改变，场景的聚类缩减结束。得到的Ms个质心场景为最终场景，每个场景的概率值为该类场景集合中所有场景的概率之和。

步骤2：对负荷使用数据按照节假日和工作日进行分类，并将分类后的负荷使用数据输入不同的数据模型进行训练。

在该步骤中，考虑到节假日和工作日的负荷使用情况不同，应将其数据分开，分为两种不同数据模型并分别进行训练。

步骤3：采用支持向量机回归法，将预设时间内的天气情况作为影响因子输入已经训练好的数据模型中，从而获得预测的用户负荷出力行为；具体方法如下：

(1)根据已知的支持向量机算法，回归函数可以写为：

式中，α

(2)在进行电力系统短期负荷预测时，具体的步骤为：

①对获取的历史数据进行平滑预处理。

②将采集的数据输入向量中，影响因子为历史负荷数据、温度数据、节假日属性。

③使用LIBSVM算法对数据进行出力，并计算出α

④将α

核函数为了防止数据出现线性不可分的情况，采用高斯核函数，写为

B)获得光伏行为：

在计算用户出力的同时，也需要对用户光伏出力进行预测，由于光伏出力具有非线性及不确定性，根据天气变化造成的光伏发电是一个随机波动的无序值，因此采用神经网络的方法对其进行预测，具体步骤如下：

步骤1：对天气数据进行聚类分组，聚类分组的情况可以如下表所示：

表1 聚类分组与天气气象对应表

步骤2：在分组完成的情况下，将环境温度平均值、相对湿度和风速输入光伏出力神经网络的预测模型进行训练，从而输出24小时的光伏发电出力功率数值作为光伏行为的数据。

其中，光伏出力神经网络的预测模型的隐含层为1层，时间分辨率为1小时。

S120：根据负荷出力行为和光伏行为建立用户模型。

S130：根据用户模型获得预设时段内用户的放电需求以及光伏出力，并根据放电需求以及光伏出力建立云储能充放电策略模型。

通过之前建立的用户模型，可以求得t时段用户放电需求以及光伏出力，通过这两点可以建立云储能充放电策略模型：

式中：

S140：根据云储能供应商运行成本最小的需求，对云储能充放电策略模型进行滚动优化处理，获得滚动优化处理后的输出值。

作为云储能提供商，为了使得成本最小，即运行成本最小，将运行成本定义为：

其中运算符表示

式中：λ

E

E

请参阅图3，图3是一实施例中滚动优化的原理示意图。图3中竖线方格的输入数据是实际的系统数据，用于决定实际的运行策略；横线方格的输入数据是对于系统的预测值，用于参与优化辅助决策同一行的竖线方格数据，横线方格的输出数据并不作为系统实际控制参数使用；箭头用于记录在每个t时段结束时系统的状态，并作为下一次优化的初始数据。

云储能提供商结合对于未来n个时间段的用户的行为的预测、用户当前充放电需求以及储能设施当前t时段的状态，优化出t至t+n时间段储能设施的充电和放电策略。但实际上只采用所优化出的t时间段的策略操控储能设施并对电网及用户做出反应。在接下来的每一时间段，再次重复上述过程，滚动优化出每个时间段的控制策略。

S150：测量滚动优化处理后的输出值和滚动优化处理前的输入值之间的差值，并将差值作用到滚动优化处理后的输出值，得到滚动优化结果。

反馈校正的目的是将预测值更加接近于输出值，具体为测量输出和输入之间的差值，设置PID参数作为反馈值重新输入，最后得到结果。

综上，本实施例利用了K-means均值聚类对用户行为进行归类和刻画；给出系统的基于模型预测的滚动优化策略，利用为分布式储能运营商提供可行的充放电解决方案；并且还采用支持向量机，神经网络等人工智能算法建立了可靠地用户用电储能行为预测。

基于上述的基于模型预测的运营商储能的滚动优化方法，本申请还提出一种基于模型预测的运营商储能的滚动优化装置，请参阅图4，图4是本申请基于模型预测的运营商储能的滚动优化装置一实施例的结构示意图，在本实施例中，基于模型预测的运营商储能的滚动优化装置可以包括：

模型预测模块110，用于将被控对象的历史信息和影响因子输入预测模型，获得负荷出力行为和光伏行为；根据负荷出力行为和光伏行为建立用户模型。

滚动优化模块120，用于根据用户模型获得预设时段内用户的放电需求以及光伏出力，并根据放电需求以及光伏出力建立云储能充放电策略模型；根据云储能供应商运行成本最小的需求，对云储能充放电策略模型进行滚动优化处理，获得滚动优化处理后的输出值。

反馈校正模块130，用于测量滚动优化处理后的输出值和滚动优化处理前的输入值之间的差值，并将差值作用到滚动优化处理后的输出值，得到滚动优化结果。

可选地，模型预测模块110还用于：采用K-means均值聚类法对用户进行聚类；对负荷使用数据按照节假日和工作日进行分类，并将分类后的负荷使用数据输入不同的数据模型进行训练；采用支持向量机回归法，将预设时间内的天气情况作为影响因子输入已经训练好的数据模型中，从而获得预测的用户负荷出力行为。

可选地，模型预测模块110还用于：对天气数据进行聚类分组；在分组完成的情况下，将环境温度平均值、相对湿度和风速输入光伏出力神经网络的预测模型进行训练，从而输出24小时的光伏发电出力功率数值作为光伏行为的数据；其中，光伏出力神经网络的预测模型的隐含层为1层，时间分辨率为1小时。

可选地，云储能充放电策略模型为：

可选地，滚动优化模块120还用于：结合对于未来n个时间段的用户的行为的预测、用户当前充放电需求以及储能设施当前t时段的状态，优化出t至t+n时间段储能设施的充电和放电策略；对每一时间段重复进行滚动优化，直至输出每一个时间段的滚动优化处理的值。

本申请提出基于模型预测的运营商储能的滚动优化方法及装置，通过模型预测，滚动优化和反馈校正得到运营商储能的滚动优化结果。其中，通过模型预测可以获得负荷出力行为和光伏行为，通过滚动优化可以响应云储能供应商运行成本最小的需求，通过反馈校正可以对滚动优化的输出值进行修正，利用反馈信息，构成闭环优化。通过上述方式，本申请可以对用户的负荷出力行为和光伏行为进行精准预测，减小中间损耗，提高云储能的盈利效果，使得云储能运营商管理储能方式更加科学有效。

可以理解的是，此处所描述的具体实施例仅用于解释本申请，而非对本申请的限定。另外为了便于描述，附图中仅示出了与本申请相关的部分而非全部结构。文中所使用的步骤编号也仅是为了方便描述，不对作为对步骤执行先后顺序的限定。基于本申请中的实施例，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，都属于本申请保护的范围。

本申请中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。

在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。

以上所述仅为本申请的实施方式，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。