基于机器学习的储能类设备功率优化管理系统的过滤器的制作方法

本发明属于电力系统优化调度领域，具体涉及一种基于机器学习的储能类设备功率优化管理系统的过滤器。

背景技术：

随着近年来计算机算力的进步，结合大数据技术，应用机器学习等数据驱动模型的智能运算技术已大规模的应用在各类电力系统的优化和计算问题中。通过对海量数据间信息的挖掘，应用机器学习技术能够实现具有快速性与一定准确度的问题求解。

如今，机器学习技术也在储能类设备(storage-likedevices，slds)的功率优化管理上取得了初步的应用。slds包括传统的储能系统(energystoragesystem,ess)以及具有储能性质的其它设备，典型地，有电动汽车(electricvehicle，ev)。由于slds具有强大的充放电灵活性，它们广泛地被应用于电力系统需求侧响应，通过电价的引导slds的出力，可以达到节约用电成本、优化负荷曲线的目的。

基于机器学习技术的slds功率优化管理上的应用多以ess为主，鲜有ev，通过对储能类设备功率优化管理系统建模，再运用机器学习技术求解实现对slds的在线功率管理。机器学习技术的求解模式为：离线学习基于历史数据的输入量与决策变量之间的映射关系，利用这一映射关系在线确定slds的功率。决策变量一般为功率或是slds的电量状态(stateofcharge，soc)。建立离线学习过程使得slds功率优化管理系统在在线决策时无需直接求解底层优化问题，但也能够考虑系统的长期状态，从而能够快速地执行调度，大大减轻了在线计算时系统的计算负担。

然而，在现有的初步应用中，由于存在以下三方面的原因，在决策性能上还不够完善。

一是，基于机器学习的决策结果存在一定的随机性，在在线决策时，决策结果可能存在一定的波动。以soc为决策变量为例，当soc曲线出现一些微小的波动时，这些细微的差异将直接影响功率的正负性与大小，从而导致优化功率结果不尽人意。

二是一些安全性约束的满足无法保证。系统的安全性约束包括如功率上下限、soc的上下限等在运用机器学习的求解过程中，最终下达的功率或soc指令时根据对历史最优解中数据的学习而形成的，尽管在历史数据的优化求解过程中已经加入了强制性的安全性约束，但机器学习的学习效果并不能达到百分之百的识别并满足这些安全性约束，尽管目前机器学习的性能较好，结果基本不会偏离这样的安全性约束，但在缺乏强制性约束的情况下仍然存在越界的可能。

三是一些与用户满意度相关的约束无法保证。用户满意度约束通常可以包括：电量需求约束，如电动汽车在充电后需要达到满足行驶需求的电量；或是一些特定的用户设置的个性化约束，如储能系统在每一天结束时功率回到0.5以保证第二天应用时的上下调节裕度。与上述第2点的原因相似，通过对海量数据的学习，机器学习的决策结果可能能够上满足这些约束，但仍然缺乏一个强制性的约束予以保障。考虑到在需求侧响应项目中，用户的需求、满意度关系到用户参与调度的积极性，因此满足这类约束也是十分重要的。

综上所述，为了确保这些越界与波动不会发生，本发明为基于机器学习的储能类设备功率优化管理系统设计了一个过滤器，从而提高基于机器学习的储能类设备功率优化管理系统的有效性与可靠性。

技术实现要素：

本发明的目的在于针对基于机器学习的储能类设备功率优化管理系统提供一种约束决策结果波动性、避免安全性越界与用户满意度约束越界的过滤器，从而提高基于机器学习的储能类设备功率优化管理系统的有效性与可靠性。

一种基于机器学习的储能类设备功率优化管理系统的过滤器，过滤器通过如下步骤过滤电量状态(soc)指令：

步骤a.过滤不满足安全性的soc指令；

步骤b.过滤部分具有波动性的soc指令；

步骤c.过滤不满足用户满意度的soc指令。

步骤a将原输出soc过滤为满足安全性约束限值所对应的soc。步骤b将原输出soc过滤为保持与上一时段的输出soc相等的soc。步骤c将原输出soc过滤为额定功率充电下所对应的soc。

步骤a包括过滤不满足soc安全性约束的指令和过滤不满足功率安全性约束的指令；如果有任何一个储能类设备(slds)的输出soc超过soc上限或下限，则令其保持最大或最小soc；如果有任何一个slds的输出功率超过soc上限或下限，则令其保持上限或下限功率。

步骤b包括：对在结束调度时有电量要求的slds，过滤峰谷电价非高峰时的放电指令；对在结束调度时有电量要求的slds，在不影响其电量需求的前提下，过滤峰谷电价峰时的充电指令；对在结束调度时有电量要求的slds，如果某些放电行为导致在高峰时段发生额外的充电行为以进行补偿，过滤这样的放电指令。

步骤c确保slds的电量需求约束或是一些特定的用户设置的个性化约束能被满足，需要判断slds的soc是否能够在结束调度时达到其要求的水平，如果该slds保持从当前时间步长以最大充电功率充电，即全速充电的情况下，直到结束调度时都无法达到其要求的电量水平，则该slds将退出调度并保持从当前时间步长以最大充电速率充电。

过滤器的三个过滤步骤之间相对独立，可根据系统的使用需求进行相应的调整。

过滤器的过滤步骤c要在步骤a和b之后进行。

本发明的有益效果：

1.本发明所所设计的过滤器在程是对基于机器学习生成的调度方案的一种修正，应用在基于机器学习技术生成调度方案之后，在具体实现时只需在原有程序中增加逻辑判断与赋值语句，对内存占用少，对生成结果的时间影响很小，因此不会对基于机器学习的slds的功率优化管理系统的在线运行时间带来明显的延时。对含100个slds系统多次运行本过滤器，过滤完成的时间均不足毫秒级。由于机器学习技术在slds功率管理系统中应用的一大原因就是为了节约在线调度时间，因此这一点是十分重要的。

2、适应性强，无论基于机器学习的slds功率管理系统是基于何种机器学习技术，管理的何种slds的类型，以及slds的数量的多少，本过滤器都是适用的。因为本过滤器的设计过程不依赖于特定的机器学习模式与slds的类型，且是针对多个slds进行设计的。

3、易于调节，本过滤器可以根据不同系统的需要而对相应的步骤进行增删。虽然本过滤器的设计步骤是特定的，但各个步骤之间相对而言是言独立的，因此可以根据系统的使用需求进行相应的调整。

附图说明

图1示出了本发明提出的一种基于机器学习的储能类设备功率优化管理系统的过滤器的过滤步骤框图；

图2示出了本发明的具体实例中某储能调度soc将步骤a过滤前后的对比；

图3示出了本发明的具体实例中，对含100辆电动汽车的优化调度仿真系统基于机器学习的在线输出结果经过步骤b过滤前后以及应用传统优化算法的离线优化结果的功率对比；

图4示出了图3的实例中所抽取的4辆电动汽车的soc曲线经步骤b过滤前后以及引用传统优化算法的离线优化结果的对比；

图5示了本发明具体实例中基于机器学习的电动汽车功率优化管理系统的输出soc经步骤c过滤前后的对比。

具体实施方式

下面结合附图，对本发明的实施例作详细说明。

基于机器学习的储能类设备(storage-likedevices，slds)功率优化管理系统通常以用电成本最小化为目标，在线地(在当前时间步t)输出下一时间步(t+1)第i个slds的soc或是当前时间步的功率(pi(t))。但是，由于基于机器学习的输出数据极大程度的取决于机器学习对海量数据的学习效果，生成的输出可能存在以下两个问题。一方面，这些输出可能违反slds的一些安全性约束，包括最大电池电量(s^max)、最小电池电量(s^min)、最大充电和放电功率或是一些slds的用户需求型约束，如电量需求(s^dep)。另一方面，由于机器学习的随机性，输出之间可能存在一些波动。例如，当soc曲线因机器学习的随机性而略有波动时，soc与功率之间存在关系：

其中，τ为一个时间步的长度，ηc与ηd分别为slds设备的充、放电效率，ci为第i个slds设备的容量。

从式(1)可以看出，如果soc发生一些微小的波动将直接影响功率的大小与正负，从而导致决策上出现误差。当许多slds同时出现误差时，总的功率误差将是显著的，这将反过来影响电力成本以及峰谷调节。为了解决这些问题，需要设计一个过滤器，从而保证基于机器学习的储能类设备功率优化管理系统的有效性和可靠性。本发明所所设计的过滤器在程是对基于机器学习生成的调度方案的一种修正，应用在基于机器学习技术生成调度方案之后。

本发明提出了一个包含三个部分的过滤器来处理上述问题。这三部分分别针对三个不同的约束条件。在第一部分中，确保不会发生违反slds电池限制和充电功率限制的情况。在第二部分中，详细说明了波动的影响以及检测和避免波动的标准。第三部分，确保slds用户的个性化要求能够得到满足。

考虑到soc与功率之间存在相互转化关系，基于机器学习的储能类设备功率优化管理系统无论是输出soc还是输出功率，都可以通过式(1)互相转换，考虑到soc在时域上的连续性更强，过滤器容易对其检测与过滤，故选择系统的输出soc作为检测对象。

下面对本发明具体的过滤方法进行说明，如图1所示。

步骤a：过滤不满足安全性的soc指令。这一步骤是基础，如果没有这一步，系统输出的缺乏安全性的控制信号是不可行的。

步骤a包括两部分，一是过滤不满足电池电量安全性约束的soc指令。考虑到slds的电池电量是存在上下限的，所以当soc不满足式(2)-(3)时，视为该指令不满足电池电量安全性约束。

如果令若令即如果有任何一个slds的输出soc超过电池电量上限或下限，则令其保持最大或最小电池电量。

步骤a的另一部分是，过滤不满足功率安全性约束的soc指令。受线路传输功率等的限制，slds充放电功率也存在限值，考虑到soc与功率之间的相互转化关系(1)，所以当soc不满足式(4)-(5)时，视为该指令不满足功率安全性约束。

如果令

如果令即如果有任何一个slds的输出功率超过soc上限或下限，则令其保持上限或下限功率。

步骤b：过滤部分具有波动性的soc指令。这一步骤的目的是滤除由机器学习的随机性带来的波动。为了具化波动这个概念，假设有两种异常行为，即充电异常行为和放电异常行为，这两种行为都可能导致波动。这些异常行为有两个负面影响。首先，它们可能导致充电和放电行为发生在不适当的时间，这反过来又可能导致额外的电力成本。其次，即使这些异常行为不会导致额外的成本，但如果累积的异常行为导致额外的功率峰值，它们也可能影响峰谷调节。鉴于此，本发明的原则是，一旦充电或放电行为会造成上述至少一种负面影响，则该行为被视为异常，如果避免了异常行为，则波动将依次消除。具体包括：

对在结束调度时有电量要求的slds，过滤峰谷电价非高峰时的放电指令。对于这类设备，当峰谷分时电价不在峰值时，放电行为会被认为是不正常的。这是因为非高峰时段的放电将导致额外的充电行为发生在峰值时间，以补偿这种放电行为，因为在结束调度时，slds的soc必须达到一个特定的水平电价高峰时段的额外充电将导致更高的电费。在检测到异常指令后，本发明的解决方案是下一个时间步的soc与当前时间步的soc相同。令[t^ps,t^pe]表示峰谷分时电价的峰值时段，这一步骤的数学表达如下：

当处于峰谷分时电价的非峰值时段，即如果则这一指令为放电指令，那么有

对结束调度时有电量要求的slds，在不影响其电量需求的前提下，过滤峰谷电价峰时的充电指令。在分时电价的高峰期，充电被认为是不正常的行为，应令下一个时间步的soc与当前时间步的soc相同。因为这将导致比其他时间更高的成本。然而，考虑到一些slds的电量状态在结束调度时必须达到一个特定的水平充电行为可能不可避免地出现在达到该水平的峰值时间，鉴于此，这样的充电行为将不会被认为是异常的。上述所述标准可以被描述为：在从当前soc到soc需求的最大充电功率的充电必须从峰谷分时电价高峰时期的时间步长开始。这一步骤的数学表达如下：

在t∈[t^ps,t^pe]时，如果即当前下达了一个电价峰值时段的充电指令，如果有则

对结束调度时有电量要求的slds，如果某些放电行为导致在高峰时段发生额外的充电行为以进行补偿，过滤这样的放电指令。在分时电价的高峰时段，如果某些放电行为导致在高峰时段发生额外的充电行为以进行补偿，从而使结束调度时soc达到特定的水平，则认为这些放电行为是不正常的。虽然该事件不会因同一电价期间发生的充放电而造成额外费用，但额外的峰谷功率仍会影响峰谷调节。因此，放电行为会导致额外的充电行为发生在峰值时间的分时电能被认为是不正常的。这一步骤的数学表达如下：

在t∈[t^ps,t^pe]时，如果即当前下达了一个电价峰值时段的放电指令，如果有即这一放电行为会导致在高峰时段发生额外的充电行为以进行补偿来满足其结束调度时的电量需求，则

步骤c：过滤不满足用户满意度的soc指令。应确保slds的电量需求能被满足，这些电量需求包括：电量需求约束，如电动汽车在充电后需要达到满足行驶需求的电量；或是一些特定的用户设置的个性化约束，如储能系统在每一天结束时功率回到0.5以保证第二天应用时的上下调节裕度。这一步骤充分显示出了对用户意愿的尊重。这一步骤之所以成为最后一步，是因为，如果这一步骤与前序步骤交换顺序，则在这一步骤结束后获得的满足用户需求的soc调度方案有可能因为消除波动等过滤调整而不满足用户需求。

检测不满足用户满意度的soc指令，并安排全速充电。为了实现这一点，本发明需要判断slds的soc是否能够在结束调度时达到其要求的水平，如果该slds保持从当前时间步长以最大充电功率充电，即全速充电的情况下，直到结束调度时都无法达到其要求的电量水平，则该slds将退出调度并保持从当前时间步长以最大充电速率充电。这一步骤的公式表达为：

如果则即全速充电。其中表示结束调度时的时间步。

本发明的过滤器可以根据不同系统的需要而对相应的步骤进行增删。虽然本发明的过滤器的过滤步骤是特定的，但各个步骤之间相对而言是独立的，因此可以根据系统的使用需求进行相应的调整。

下面通过具体的实例来说明本发明的过滤器的优越性。

通过在步骤a中对不满足soc与功率上下限的soc指令进行了过滤，可以保证基于机器学习的slds功率优化管理结果一定能满足安全性约束。图2显示了某储能调度soc在步骤a作用前后soc的对比。可以看出，由于机器学习基于“经验”的决策，虚线框内未经过滤的soc曲线斜率过大，这一soc控制结果将功率越限。经过本发明的步骤a过滤后，该阶段的soc曲线斜率回归到额定充电功率所对应的值上。

通过步骤b可以实现对一些影响调度效果的波动进行修正，能避免这些波动对调度带来的不利影响。为了验证这一点，对一个含100辆电动汽车的优化调度系统进行了仿真，分别求得了该系统利用机器学习的在线输出结果与应用传统优化算法的离线功率优化结果(即全局最优解)，如图3所示。并对基于机器学习的在线输出结果做了步骤b过滤前后的对比，抽取了其中4辆电动汽车的soc曲线与所有车辆叠加负荷的总功率曲线，如图4所示。从图3可以看出，由于步骤b过滤了波动，总功率曲线的波动性取得了极大的改善。从图4可以看出，经过步骤b过滤后soc曲线更加平整，与全局最优解更加贴合。

通过在步骤c中对不满足用户满意度的调度情况进行约束，可以保证基于机器学习的slds功率优化管理结果一定能满足用户约束。图5显示了基于机器学习的电动汽车功率优化管理系统的输出soc，设置电动汽车的充电soc需求为0.85，则原有优化管理输出结果由于安排的放电时间过长，使该电动汽车在离开系统时并不能达到0.85的电量。经过步骤c过滤后，可以看出，由于检测到了ev持续放电将不能满足电量需求，通过提前停止调度、全速充电的方式，使最终该电动汽车能够满足充电需求。

此实施例仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。