光储充系统多时间尺度协同控制方法及相关装置与流程
本发明涉及分布式能源系统能量管理领域,尤其涉及一种光储充系统多时间尺度协同控制方法及相关装置。
背景技术:
1、在分布式能源系统能量管理技术领域,光储充系统在高速公路服务区、城市充电站等场景得到广泛应用。源荷协同运行优化对于提高光储充系统的综合运行效率、降低运行成本、促进可再生能源的消纳具有重要意义。目前,光储充电站的运行策略多为削峰填谷、峰谷套利或固定调度模式,但这些策略难以应对光伏出力的强波动性和充电负荷的随机性带来的挑战。为解决该问题,业界提出了以下技术方案:
2、公开号为cn121395328a、名称为一种基于深度学习与多目标模型预测控制(modelpredictive control,mpc)的光储一体化智能运营方法及系统的现有技术1,公开了使用深度学习模型对光伏出力和用户负荷进行实时滚动预测;基于多目标模型预测控制器求解包含经济成本和电池衰减成本的多目标优化问题;得到储能系统的最优充放电功率序列,实现全自动闭环控制。
3、公告号为cn120834593b、名称为一种光储微电网的多目标运行优化方法及系统的现有技术2,公开了通过数字孪生映射形成健康语义图作为状态底座;通过自适应聚类计算均衡优先级指数生成健康权重;融合动态权重按簇分配充放功率占比;在日前调度阶段同步优化用能成本、碳排放估算和频率偏差惩罚,形成计划功率序列;在日内阶段检测到电价/负荷突变时,调用求解器代理模型快速重算计划。
4、公开号为cn119315540a、名称为一种光储充能量调度方法、系统、装置及介质的现有技术3,公开了采用日前—日内—实时三重时间尺度的多层光储充能量调度,通过日前优化调度和日内优化调度相结合,将优化调度任务拆分,实时获取当前时刻运行数据对能量调度指令进行修正。
5、然而,上述现有技术仍存在以下缺陷:
6、现有技术1虽然公开了基于深度学习与mpc的光储一体化运营方法,但其仅泛泛使用深度学习模型,未公开如何通过智能优化算法调整网络超参数,易导致天气突变场景下的预测误差累积;另外,其多目标预测模型控制器为单层结构,未涉及优化算法与多目标预测模型控制器的嵌套协同,求解质量有限。
7、现有技术2虽然公开了日前-日内两阶段调度,但其依赖数字孪生语义图与求解器代理模型,其日内调整仅在被动的电价/负荷突变触发时执行,而非周期性滚动反馈,导致在无突变触发的时段内预测偏差持续累积而无法被及时修正。
8、现有技术3虽然其公开了日前-日内-实时三层调度,但属于时间维度上的功能分割(不同时间尺度用不同模型),而非算法架构上的深度融合,导致各时间尺度之间的优化目标可能相互冲突,日内修正缺乏对日前全局最优基准的跟踪机制;进一步地,现有技术3未涉及深度学习预测模型的超参数自动优化,也未涉及优化算法与模型预测控制的嵌套闭环机制,使得预测精度和优化求解质量均依赖于人工经验,系统鲁棒性不足。
技术实现思路
1、本发明的目的在于克服现有技术的问题,提供了一种光储充系统多时间尺度协同控制方法及相关装置。
2、本发明的目的是通过以下技术方案实现:一种光储充系统多时间尺度协同控制方法,该方法包括以下步骤:
3、在日前预测阶段,基于光伏出力预测数据和充电负荷预测数据,以光储充系统运行成本最小化为目标进行全局优化,生成储能系统荷电状态的参考调度轨迹,包括储能荷电状态参考曲线和充放电功率参考曲线;
4、在日内优化执行阶段,以预设周期滚动执行以下步骤:采集储能系统当前时刻的实测荷电状态;以实测荷电状态为优化起点,提取日前阶段预测数据中当前时刻至当日结束时段内的光伏出力预测数据、充电负荷预测数据,参与光储充系统运行成本优化计算,进而求解未来优化时段内的最优充放电功率序列,并在优化计算中引入参考轨迹偏差惩罚项,用于约束储能荷电状态与日前阶段生成的荷电状态参考轨迹值之间的偏差;根据求解结果生成当前时刻的储能系统充放电控制指令,并下发至双向储能变流器执行。
5、在一示例中,所述日前阶段还包括:
6、构建预测模型,为基于注意力机制的双向长短期记忆网络、基于注意力机制的transformer、基于注意力机制的informer中任意一种或多种组合;
7、优化预测模型的超参数组合,以验证集均方根误差为优化目标,通过迭代寻优获得最优超参数组合,进而得到最优预测模型;
8、利用最优预测模型基于历史数据生成光伏出力预测数据和充电负荷预测数据;所述历史数据包括光伏发电侧历史功率、光伏发电侧的第一气象历史数据、充电负荷侧历史功率、充电负荷侧的第二气象历史数据、预测日特征数据,所述预测日特征数据包括天气预报数据、分时电价、节假日标记。
9、在一示例中,所述光储充系统运行成本包括购电成本、电池退化成本、弃光惩罚成本。
10、在一示例中,在日前预测阶段的全局优化中,光储充系统运行成本还包括充放电切换惩罚成本,用于将全天的充放电状态切换次数限制在4次以内。
11、在一示例中,在日内优化执行阶段的光储充系统运行成本优化计算中,光储充系统运行成本还包括充放电切换惩罚成本,用于将日内实际执行的充放电状态切换次数限制在6次以内。
12、在一示例中,下发执行当前时刻的储能系统充放电控制指令之后,还包括:
13、计算实测荷电状态与参考调度轨迹中对应时刻的荷电状态参考轨迹值之间的偏差,将所述偏差作为反馈信号参与光储充系统运行成本优化计算。
14、在一示例中,所述求解未来优化时段内的最优充放电功率序列时,采用遗传算法作为优化求解器。
15、需要进一步说明的是,上述方法各示例对应的技术特征可以相互组合或替换构成新的技术方案。
16、本发明还包括一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述任一示例或多个示例组合形成的所述一种光储充系统多时间尺度协同控制方法的步骤。
17、本发明还包括一种存储介质,其上存储有计算机指令,所述计算机指令运行时执行上述任一示例或多个示例组成形成的所述一种光储充系统多时间尺度协同控制方法的步骤。
18、本发明还包括一种终端,包括存储器和处理器,所述存储器上存储有可在所述处理器上运行的计算机指令,所述处理器运行所述计算机指令时执行上述任一示例或多个示例形成的所述的光储充系统多时间尺度协同控制方法的步骤。
19、与现有技术相比,本发明有益效果是:
20、1.通过日前全局优化生成储能荷电状态参考调度轨迹,并在日内滚动优化中以实测荷电状态为起点,提取日前剩余时段预测数据参与运行成本优化计算,同时引入参考轨迹偏差惩罚项约束储能荷电状态与参考轨迹的偏差,能使日内策略在修正预测偏差时不会过度偏离日前最优轨迹,实现预测与优化的闭环耦合,抑制开环串联模式下的误差累积,在应对光伏波动和负荷随机性时,能够保证储能荷电状态始终处于安全区间并实现弃光最小化。
21、2.通过构建预测模型,并自动搜索最优超参数组合,能够消除人工调参的主观性,准确捕捉光伏出力和充电负荷的时序依赖与关键峰值特征,在复杂气象条件下能够大幅降低预测误差,为优化调度提供高精度数据基础。
22、3.通过在日前预测阶段的全局优化中引入充放电切换惩罚成本,将全天的充放电状态切换次数限制在4次以内,能够从计划层面强制形成大块连续充放电策略,避免频繁交替操作,从源头保护储能电池寿命。
23、4.通过在日内优化执行阶段的运行成本优化计算中也引入充放电切换惩罚成本,并将日内实际执行的切换次数限制在6次以内,能够在应对日内预测偏差时适度放宽切换次数约束但仍施加惩罚,实现日前计划与日内执行在储能寿命保护上的协同,相较现有技术中频繁切换(日切换次数大于10次)的情况,能大幅降低储能切换频次,在满足经济性前提下延长储能系统使用寿命。
24、5.通过在下发执行当前时刻控制指令后,计算实测荷电状态与参考调度轨迹中对应时刻荷电状态参考轨迹值的偏差,并将该偏差作为反馈信号参与后续运行成本优化计算,能够形成闭环反馈机制,使系统持续跟踪日前最优基准并及时修正局部偏离,抑制预测误差累积,在应对光伏波动和负荷随机性时实现零弃光,进一步提高控制策略的鲁棒性和经济性。
25、6.通过在求解未来优化时段内的最优充放电功率序列时采用遗传算法作为优化求解器,能够避免陷入局部最优,提高全局寻优能力,尤其在多目标、多约束的非线性优化问题中保证求解质量,保证日内滚动优化快速生成高质量控制指令。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com