一种应用于台区的储能系统控制方法与流程

本发明属于电力系统储能调控，具体的，涉及一种应用于台区的储能系统控制方法。

背景技术：

1、

2、台区作为电力系统末端关键节点，其源荷双侧的随机性与波动性日益凸显，储能系统凭借灵活的充放电特性，已成为平抑台区功率波动、提升电能质量的重要技术手段。

3、现有技术多依赖固定阈值或简单规则进行调控，如设定统一的功率上限或荷电状态区间，缺乏对台区历史运行数据的深度挖掘与利用；通常直接根据当前时刻的负载功率大小，判断是否启动储能充放电，忽略了负载功率在全天不同时段呈现出的周期性波动规律，导致调控动作频繁且缺乏针对性，在负载功率快速波动的时段，可能因每一次功率越限都触发响应，造成储能系统频繁切换状态，不仅缩短电池寿命，还因缺乏对波动区间的整体认知而难以实现真正的削峰填谷效果；此外，现有技术大多采用一刀切的调控策略，即无论台区处于负载高峰、平谷还是低谷时段，均使用相同的控制逻辑，无法适应不同时段对储能需求的差异性；

4、传统方法还缺乏基于历史调控结果反馈的自学习能力，其策略往往是预先设定的静态规则，无法根据历史调控效果进行动态优化，导致策略长期固化，难以适应台区负荷特性随季节、用户行为等因素发生的缓慢演变，在匹配实时负载与历史模式时，通常采用简单的点对点比较，易受到瞬时波动和噪声干扰，匹配准确度低，且无法捕捉负载曲线在连续时间窗口内的形态相似性，从而误判台区当前所处的运行状态。

5、为了解决上述问题，本发明提出了一种应用于台区的储能系统控制方法。

技术实现思路

1、针对现有技术的不足，本发明提供了一种应用于台区的储能系统控制方法，解决现有技术中调控策略与负载波动时变特性脱节、缺乏历史反馈优化机制的问题。

2、本发明的目的可以通过以下技术方案实现：

3、一种应用于台区的储能系统控制方法，所述方法包括：

4、步骤一，从云端数据库提取目标台区在既定回溯期间内所关联的历史运行数据，并以循环周期对历史运行数据执行划分，构建目标台区关联的若干个负载功率波动曲线，经曲线拟合得到目标台区所对应的基准负载功率波动曲线；

5、步骤二，基于储能系统在负载功率波动曲线不同采集时间点处于调控状态的次数，划分调控波动区间，结合不同调控策略在相同调控波动区间内的结果反馈，执行加权融合分析，评定对应调控波动区间所关联的最优调控策略；

6、步骤三，基于目标台区在当前时间的负载功率，拟定目标台区所关联的实时负载功率波动曲线，将其实时与基准负载功率波动曲线执行相似度评定，确定目标台区在当前时间所对应的优选调控波动区间，并以此优选调控波动区间的最优调控策略执行调控。

7、作为本发明的进一步方案，所述步骤一中，构建目标台区关联的若干个负载功率波动曲线的具体方式为：

8、确定目标台区q；

9、获取回溯期间th，其中，回溯期间th的时长为预设时长；

10、以当前时间为回溯期间th的结束时间，向过去确定一个回溯期间th，并在此回溯期间th内，基于目标台区q的云端数据库提取目标台区关联的历史运行数据，包括不同时刻所对应的负载功率p及输出功率f；

11、提取循环周期tx，其中，循环周期tx的时间跨度为24小时，开始时间与结束时间分别为每日的0点及24点；

12、利用循环周期tx对回溯期间th执行划分，得到若干循环周期，统计总数记为j，其中，不足一完整的循环周期的划分结果直接剔除；

13、将j个循环周期按时间先后排列，记为循环周期序列tx1,tx2,...,txj；

14、提取任意循环周期txi，其中，i为计数索引，1≤i≤j；

15、从历史运行数据中锁定负载功率，并提取循环周期txi内的负载功率，按时间顺序记为负载功率集合pi={p1,p2,...,pm}，其中，m为一个循环周期内的负载功率总数，对应循环周期内的采集时间点；

16、构建以时间线为横轴，功率数值为纵轴的二维坐标系，并将负载功率集合lpi={p1,p2,...,pm}中的m个负载功率对齐横轴、纵轴刻度测绘m个数据点，以曲线拟合之，得循环周期txi所关联的负载功率波动曲线lsi；

17、同理，确定各循环周期所关联的负载功率波动曲线，表示为：ls1,ls2,...,lsj。

18、作为本发明的进一步方案，所述步骤一中，经曲线拟合得到目标台区所对应的基准负载功率波动曲线的具体方式为：

19、提取j条负载功率波动曲线ls1,ls2,...,lsj；

20、基于自适应动态时间弯曲距离的密度聚类算法，将j条负载功率波动曲线划分为若干簇，剔除离群曲线簇，保留曲线数量最多的主簇，主簇内曲线记为ls1',ls2',...,lsk'，0≤k≤j；

21、对主簇内所有曲线，在m个采集时间点处计算负载功率的加权核密度估计，其中，核函数为高斯核，带宽由silverman准则自适应确定；

22、提取各采集时间点处核密度最大的负载功率作为该采集时间点的基准功率值，按时间先后顺序汇总所有基准功率值，得到初始基准负载功率序列；

23、采用三次埃尔米特插值对初始基准功率序列进行平滑处理，以傅里叶低通滤波滤除高频噪声分量，生成基准负载功率序列z1,z2,...,zm，基于基准负载功率序列构建基准负载功率波动曲线zls。

24、作为本发明的进一步方案，所述步骤二中，基于储能系统在负载功率波动曲线不同采集时间点处于调控状态的次数，划分调控波动区间的具体方式为：

25、提取基准负载功率波动曲线zls及基准负载功率序列z1,z2,...,zm；

26、提取m个采集时间点，排列为采集时间点序列t1,t2,...,tm；

27、对于任意一个采集时间点tn，统计j个负载功率波动曲线ls1,ls2,...,lsj中，储能系统在采集时间点tn处于调控状态的次数，记为yn，其中，0≤yn≤j，1≤n≤m；

28、同理，确定储能系统在m个采集时间点处，处于调控状态的次数，汇总记为y1,y2,...,ym；

29、提取预设的调控次数阈值yth；

30、对于任意采集时间点tn处的次数yn，若yn≥yth，则标记采集时间点tn为高调控频度点；

31、若0＜yn＜yth，标记采集时间点tn为中调控频度点，若yn=0，标记采集时间点tn为低调控频度点；

32、遍历m个采集时间点，分别连续的高调控频度点、中调控频度点及低调控频度点所覆盖的采集时间点合并为高调控波动区间am、中调控波动区间bm及低调控波动区间cm；

33、分别排列各调控波动区间，得高调控波动区间集合{am1,am2,...,ama}、中调控波动区间集合{bm1,bm2,...,bmb}、低调控波动区间集合{bm1,bm2,...,bmb}，其中，a、b、c分别为高、中、低调控波动区间的总数，且a+b+c≤m。

34、作为本发明的进一步方案，所述步骤二中，评定对应调控波动区间所关联的最优调控策略的具体方式为：

35、从高调控波动区间集合{am1,am2,...,ama}中提取任意一个高调控波动区间amo，其中，1≤o≤a；

36、获取高调控波动区间amo内包含的采集时间点序列及在各采集时间点上储能系统所采用的调控策略及对应的调控结果反馈，其中，调控结果反馈包括削峰填谷效果评分及荷电状态变化评分；

37、将高调控波动区间amo内所有采集时间点采用的调控策略按类型划分，并统计每种调控策略的调控次数，分别计算其削峰填谷效果评分及荷电状态变化评分之和除以调控次数得到均值，即削峰填谷效果评分均值及荷电状态变化评分均值；

38、分别对削峰填谷效果评分均值、荷电状态变化评分均值赋予权重系数α、β加权求和得到每种调控策略的综合评分；

39、选取综合评分最高的候选策略作为高调控波动区间amo所关联的最优调控策略；

40、同理，对高调控波动区间集合{am1,am2,...,ama}、中调控波动区间集合{bm1,bm2,...,bmb}、低调控波动区间集合{bm1,bm2,...,bmb}中的每个调控波动区间，执行相同操作，分别评定最优调控策略。

41、作为本发明的进一步方案，所述步骤二中，削峰填谷效果评分、荷电状态变化评分的计算方式为：

42、提取高调控波动区间amo内的任意一种调控策略，标记为cl；

43、确定调控策略cl执行过程中所覆盖的采集时间点，标记为调控策略时间区间tcl；

44、获取历史运行数据中在相同调控策略时间区间tcl上采用调控策略cl的负载功率p与输出功率f之间的最大差值与最小差值之间的差值，记为削峰填谷指数；

45、提取基准负载功率波动曲线zls上相同调控策略时间区间tcl内的负载功率p与输出功率f之间的最大差值与最小差值之间的差值，记为标准削峰填谷指数，令标准削峰填谷指数除以削峰填谷指数得到削峰填谷效果评分；

46、再确定历史运行数据中在调控策略时间区间tcl上采用调控策略cl的储能系统的荷电状态的变化量绝对值，利用100%减去变化量绝对值，得到荷电状态变化评分。

47、作为本发明的进一步方案，所述步骤三中，基于目标台区在当前时间的负载功率，拟定目标台区所关联的实时负载功率波动曲线的具体方式为：

48、确定当前时间，并实时获取目标台区在当前时间及之后的负载功率，按照时间先后排列，记为实时负载功率序列sp1,sp2,...,spu，其中，u为实时负载功率总数，u随时间增长而递增；

49、构建横轴为时间，纵轴为功率数值的二维坐标系，将实时负载功率序列sp1,sp2,...,spu对齐横轴与纵轴刻度以数据点形式进行测绘，得u个数据点，以曲线拟合之，记为实时负载功率波动曲线sls。

50、作为本发明的进一步方案，所述步骤三中，确定目标台区在当前时间所对应的优选调控波动区间，并以此调控波动区间的最优调控策略执行调控的具体方式为：

51、将实时负载功率波动曲线sls与基准负载功率波动曲线zls置于同一二维坐标系中；

52、以当前时间点为起点，沿横轴正向截取一段预设时长t_ys的时间窗口，锁定结束时间点为终点，对应提取sls上的曲线片段r1，以及zls上的曲线片段r2；

53、分别构建经起点、终点且垂直于横轴，平行于纵轴的直线l1、直线l2；

54、获取直线l1、直线l2、曲线片段r1及曲线片段r2所组成的一至若干个封闭区域的面积，记为时间窗口内sls与zls差异度指数；

55、获取预设的差异度指数阈值，若差异度指数小于差异度指数阈值，判定当前实时负载功率波动曲线与基准负载功率波动曲线在时间窗口内高度匹配，基于当前时间点在zls上所对应的采集时间点，确定其所属的调控波动区间类型；

56、若差异度指数大于等于差异度指数阈值，则在zls上以t_ys/n为固定步长滑动时间窗口，计算sls与zls差异度指数，选取最小值对应的窗口位置作为匹配的最佳位置，并以该最佳位置在zls上的采集时间点确定所属的调控波动区间类型，n为预设整数；

57、将所确定的调控波动区间作为当前时间对应的优选调控波动区间，调用其所关联的最优调控策略，生成调控指令并下发至储能系统执行调控。

58、本发明的有益效果：

59、（1） 本发明通过从云端提取历史运行数据并构建基准负载功率波动曲线，刻画目标台区的典型用电规律，基于调控次数划分波动区间，结合不同策略在相同区间内的结果反馈进行加权融合分析，筛选出各区间对应的最优调控策略，提升储能系统对不同工况的自适应能力和调控效率；实时负载功率曲线与基准曲线的相似度评定，快速识别当前工况所属的优选区间并直接调用已优化的策略执行调控，减少了在线计算延迟和决策偏差；不仅能降低储能系统的无效充放损耗，延长设备寿命，还能提升台区供电稳定性和经济性，同时减少对人工经验参数的依赖；

60、（2） 本发明通过自适应动态时间弯曲密度聚类算法有效剔除离群曲线，保留最具代表性的主簇曲线，提升了基准负载功率波动曲线的抗干扰能力和普适性，避免了异常运行数据对基准特征的扭曲；在此基础上，采用加权核密度估计与silverman自适应带宽，捕捉各采集时间点上的功率概率分布，提取核密度最大的功率值作为基准，使得基准曲线更贴近实际运行的主流模式；结合三次埃尔米特插值和傅里叶低通滤波，平滑了曲线形态、消除了高频噪声，保留了关键的功率变化趋势，从而获得基准负载功率波动曲线，增强了台区负荷特性提取的鲁棒性与准确性，为后续负荷预测、异常检测及台区健康评估提供了数据基础；

61、（3） 本发明通过统计储能系统在历史负载波动中不同时间点的调控频度，精准划分高、中、低调控波动区间，从而实现对负载特性的精细化识别，避免一刀切的调控方式；在此基础上，针对每个区间分别评估多种调控策略的削峰填谷效果与荷电状态变化，采用加权综合评分法选出最优策略，平抑负载波动、提升了电网稳定性，兼顾了储能电池的荷电状态健康管理，防止过充或过放，这种自适应、分区间优化的方法提高了储能系统的调控效率与运行可靠性，降低了无效调控次数；

62、（4） 本发明通过实时采集负载功率并拟合成波动曲线，动态反映台区当前运行状态，将实时曲线与基准曲线置于同一坐标系，并采用时间窗口内的封闭区域面积作为差异度指数，实现了直观、量化的匹配度评估，当差异度指数较小时，直接匹配基准曲线对应区间，保证调控的快速响应；当差异度较大时，通过滑动窗口自动搜索最佳匹配位置，有效避免因相位偏移或波动形态差异导致的误判，提升调控波动区间识别的鲁棒性和适应性，确保所选最优调控策略与台区实际工况高度契合，从而优化储能系统的调控效果，降低能量损耗。