基于电储能的功率平衡及动态补偿系统的制作方法

本发明涉及电网调控，更具体地说，本发明涉及基于电储能的功率平衡及动态补偿系统。

背景技术：

1、专利公开号为cn115719979a的专利公开了一种新能源微电网离网运行的源荷储协调控制方法，控制对象包括储能系统、新能源机组和各台区负荷开关，控制架构包括设备就地控制层、微网协调控制层和配网主站控制层；所述设备就地控制层采用基于储能动态补偿的功率平衡策略，通过储能变流器动态补偿新能源机组与负荷的功率差额，实现瞬时功率平衡；所述微网协调控制层采用基于源储协同控制的短期电量平衡策略，通过微网控制器调节新能源机组出力，实现短期电量平衡；所述配网主站控制层采用基于负荷调节的长时电量平衡策略，通过配电主站调节负荷，实现长时电量平衡。该方法及系统有利于实现微电网的离网稳定运行。

2、随着社会电气化水平不断提高，电网系统面临着日益复杂、高维度的运行管理挑战；在多种不确定因素叠加作用下，系统极易出现供需失衡、电量跌落等突发事件；现有电网物联感知体系和信息处理手段较为粗放，面对海量异构数据，系统整体分析判断能力和处理响应速度均有明显弱点；这直接导致电网在出现重大供电压力或关键节点能源告急时，很难快速深入准确判断系统风险状态，并实施有序的分级负载控制策略。也无法对电量进行主动、动态的状态补充干预。系统关键任务和生产保障能力时常受到影响，给生产秩序和社会发展增加极大的不确定性。同时，频繁的高强度运行也加重了电网成本负荷和运维管理压力。

3、鉴于此，本发明提出基于电储能的功率平衡及动态补偿系统解决上述问题。

技术实现思路

1、为了克服现有技术的上述缺陷，为实现上述目的，本发明提供如下技术方案：基于电储能的功率平衡及动态补偿系统，包括：数据采集模块，用于采集历史系统综合数据，并将历史系统综合数据进行预处理，得到预训练综合数据集；

2、模型训练模块，用于根据预训练综合数据集训练用于预测系统功率值的系统功率时间序列预测子模型；根据预测的系统功率值训练用于输出当前系统功率分类结果的功率平衡分类子模型；

3、模型联立模块，用于将系统功率时间序列预测子模型和功率平衡分类子模型集成构建用于预测功率平衡状态的系统功率平衡预测模型；功率平衡状态为平衡或不平衡；

4、阈值获取模块，用于将实时系统综合数据输入到功率平衡鲁棒预测模型，预测得到功率平衡状态；若功率平衡状态为不平衡，则构建用于获取第一电量阈值和第二电量阈值的电量动力学模型；

5、动态调整模块，用于将n个负荷设备进行重要性优先级排序；当电储能装置的电量小于第一电量阈值时，依次切除重要性优先级低的负荷设备，直至电量大于或等于第一电量阈值；当电储能装置的电量大于或等于第二电量阈值时，依次恢复被切除的负荷设备。

6、进一步地，所述的历史系统综合数据包括负荷功率数据、发电机组功率数据、电网接入点功率数据、电池储能系统充放电功率数据和环境数据系数；

7、将各个负荷设备安装功率传感器获取负荷功率，按照固定时间段并根据先后顺序记录下来形成对应的时间序列数据；

8、发电机组功率数据的获取方式为通过安装在发电机组上的功率监测传感器，按照固定时间段记录读取数据值，并根据先后顺序形成对应的时间序列数据；

9、电网接入点功率数据的获取方式为在电网接入点安装配电用电力测量装置，按照固定时间段记录读取数据值，并根据先后顺序形成对应的时间序列数据；

10、电池储能系统充放电功率数据的获取方式为在电池储能系统的直流母线两端，安装配电用电力测量装置，测量充放电的电流和端电压，并通过功率公式计算获得充放电功率；按照固定时间段并根据先后顺序记录下来形成对应的时间序列数据；

11、环境数据系数；

12、式中，为光照强度，为气温，为天气湿度，是风速，为电价，和为参考系数；

13、其中，光照强度的获取通过光强传感器获取；气温通过温度传感器获取；天气湿度通过湿度传感器获取；风速通过风速传感器获取；电价从电网公司的官方网站获取。

14、进一步地，所述预训练综合数据集的获取过程包括：

15、检测并过滤掉采集的数据中的无效、异常和重复数据；使用平均法、中位数法、相邻值法和插值法填充过滤完的数据中缺失值；将负荷功率数据、发电机组功率数据、电网接入点功率数据和电池储能系统充放电功率数据的时间序列数据使用3点均值滤波算法进行平滑；

16、提取负荷功率数据的统计特征，统计特征包括固定时间段的均值、标准差和功率变化量；提取发电机组功率数据的发动机特征，发动机特征包括固定时间段的上升时间、下降时间和波动次数；提取电网接入点功率数据的电网特征，电网特征包括固定时间段的极值、峰谷差和正反向功率比值；提取电池储能系统充放电功率数据的电池特征，电池特征包括固定时间段的功率极差和充放电功率比；使用0-1归一化或z-score标准化方法，将统计特征、发动机特征、电网特征和电池特征映射到同一数量级；

17、在历史的固定时间内获取m个环境数据系数，将m个环境数据系数作为数据坐标点，并根据时间先后序列拟合成环境系数曲线，将环境系数曲线和固定时间进行积分得到环境特征参数；

18、统计特征、发动机特征、电网特征、电池特征和环境特征参数构成预训练综合数据集。

19、进一步地，所述系统功率时间序列预测子模型的获取方式包括：

20、将预训练综合数据集划分综合训练集和综合验证集；按照时间顺序提取预训练综合数据集内的特征，构建成高维时间序列特征向量，作为系统功率时间序列预测子模型的输入向量；收集按照时间顺序提取特征对应的系统功率值；将对应的系统功率作为时间序列预测子模型的输出；

21、搭建基于长短时记忆网络的系统功率时间序列预测子模型的基本结构，基本结构包括输入层、双向lstm编码器层、单向lstm解码器层、注意力层和输出层，并在双向lstm编码器与单向lstm解码器层之间加入残差连接；

22、所述在双向lstm编码器与单向lstm解码器层之间加入残差连接的方式包括：

23、双向lstm编码器为n个双向lstm层的堆叠结构，取最后一层lstm层的输出特征h；将双向lstm编码器输出特征h与原输入特征x进行拼接得到解码器的输入特征hx；单向lstm解码器为m个单向lstm层的堆叠结构；单向lstm解码器的第一层lstm层的输入即为hx，进行时序特征的递归建模；随后层与层之间按标准lstm连接；跳过一定层数的lstm层，将双向lstm编码器的输出特征h与解码器中间层输出的特征相加，实现深度残差；

24、设定系统功率时间序列预测子模型的损失函数时，采用均方误差损失函数；

25、均方误差损失函数；

26、其中，为样本数量，表示样本的真实系统功率值，表示样本经过模型预测得到的系统功率值，表示模型参数；

27、采用adam自适应优化算法的随机梯度下降法训练系统功率时间序列预测子模型；在使用综合训练集训练模型的过程中，通过计算损失函数的梯度信息，并根据adam算法更新系统功率时间序列预测子模型中的参数，逐步减小损失函数的值；在综合验证集的损失函数的值不再下降时终止训练；得到系统功率时间序列预测子模型。

28、进一步地，所述功率平衡分类子模型的获取方式包括：

29、构建基于支持向量机的功率平衡分类子模型，功率平衡分类子模型的输入特征向量包括统计特征、发动机特征以及系统功率时间序列预测子模型的输出，输出为功率分类结果；

30、收集统计特征、发动机特征和系统功率时间序列预测子模型的输出作为输入特征向量样本；标注收集到的输入特征向量样本所对应的系统功率平衡状态，将输入特征向量样本标注类别标签为平衡或不平衡；将标注了类别的输入特征向量样本构成向量样本集；将向量样本集分割为训练集和测试集；

31、将训练集输入到功率平衡分类子模型中，训练svm分类器，使svm分类器学习输入特征向量与系统功率平衡状态类别的对应关系；

32、学习过程包括：

33、将训练集的输入特征向量样本表示为，类别标签表示为；采用rbf核函数将输入特征向量样本映射到高维空间；

34、；式中，为rbf核函数中的核参数，表示第个训练的特征向量；表示第个训练的特征向量；

35、通过优化svm分类器的分类损失函数以获得分离超平面参数；

36、分类损失函数；

37、式中，为惩罚系数；为训练集样本数量；为训练集样本索引；表示第个训练样本的损失函数值；表示第个训练的类别标签；

38、通过分离超平面参数获取分离超平面的偏置项；其中，为分离超平面参数的转置；为第个样本映射到分离超平面上的函数值；

39、设置svm分类器的分类精度；其中，为真正例的个数，为真负例的个数；为假正例的个数；为假负例的个数；

40、当svm分类器在测试集上的分类精度达到预设阈值时，完成模型训练；当测试精度不达要求时，调整svm分类器的参数,重复训练直至svm分类器在测试集上的分类精度达到预设阈值。

41、进一步地，所述系统功率平衡预测模型的构建方式包括：

42、在系统功率平衡预测模型的输出端采用功率平衡分类子模型的输出，并冻结系统功率时间序列预测子模型和功率平衡分类子模型的参数；即完成对系统功率平衡预测模型的构建。

43、进一步地，所述电量动力学模型的公式为；其中，表示时刻的电储能设备的电量；表示时刻的电储能设备的电量；表示时刻的系统功率值，系统功率值的获取通过系统功率时间序列预测子模型获取；表示时刻对负载设备的控制信号；

44、设定电储能设备的电量状态约束;其中为最小约束；为最大约束；构建负载设备的控制信号的控制候选集，以满足电量状态约束为目标，迭代搜索最优的控制序列；

45、从控制序列中选择当前时刻的最优控制,代入动力学模型计算,实时求解的最优状态轨迹；

46、记录最优状态轨迹上各个时刻以及对应的电储能设备的电量；构成时序对；在时序对中，依次迭代每个时序点，判断其电储能设备的电量与最小约束之间的差值，选取差值最小的时序点，提取时序点对应的电储能设备的电量作为第一电量阈值；

47、在时序对中，依次迭代每个时序点，判断其电储能设备的电量与最大约束之间的差值，选取差值最小的时序点，提取时序点对应的电储能设备的电量作为第二电量阈值。

48、进一步地，所述控制候选集的构建方式为定义控制变量为对负载设备的控制比例，控制比例的取值范围为[0.1,1]；将[0.1,1]区间平均分割成a个子区间，构成控制候选集。

49、进一步地，所述将n个负荷进行重要性优先级排序的方式包括：

50、步骤1、收集n个负荷设备的属性数据，属性数据包括额定功率、负荷率、工作环境温度、历史故障率和重要性系数；

51、步骤2、设置属性数据各自对应的权重；额定功率的权重为，负荷率的权重为,重要性系数的权重为,历史故障率的权重为，重要性系数的权重为；且；

52、步骤3、归一化处理n个负荷设备的属性数据，将其映射到[0,1]范围内；

53、步骤4、利用指数加权法，合成计算每个负荷设备的综合评分，将n个负荷设备根据综合评分的大小由大到小排序；

54、第个负荷设备的综合评分；

55、；

56、其中，为第个负荷设备的额定功率；为第个负荷设备的负荷率；为第个负荷设备的工作环境温度；为第个负荷设备的历史故障率；为第个负荷设备的重要性系数。

57、进一步地，所述属性数据的获取方式包括：

58、查阅负荷设备的数据手册，记录其额定有功功率指标；使用示波器与感应电流钳，测量负荷设备最大工作电流与最大工作电压，根据最大工作电流与最大工作电压计算最大功率值；比较额定有功功率指标和最大功率值，取二者中数值大的作为额定功率；

59、在设备电源接入点安装功率采集装置，实时读取采集装置中记录的设备实际有功功耗；则负荷率=设备实际有功功耗/额定功率；

60、使用安装在设备周围的温湿度传感器，实时检测负荷设备的工作环境温度；统计设备在过去v年内的故障次数与故障总时间，计算其故障率；

61、收集负荷设备与系统其他子系统的拓扑结构图，确定拓扑连接关系和依赖关系；设定依赖传播算法，根据设备在系统拓扑网络中的影响扩散力和依赖程度，评估负荷设备1-10数值的重要性系数。

62、本发明基于电储能的功率平衡及动态补偿系统的技术效果和优点：

63、大幅提高电网系统功率状态判断和电量补偿的主动性和适应性；实现对各种复杂情况下系统功率变化和电量状态的精确预测、约束和优化控制；通过建立完善的系统状态预测和评估机制，能事先感知风险，并采取控制策略，动态调整负载，确保系统稳定可靠运行；多源异构数据的深度融合应用和端到端的深度学习模型，实现了对系统当前状态和发展趋势的准确把握；各个模块协同工作，相互支撑，增强系统的整体感知、分析和决策能力；减少电网系统运行和维护成本，延长负荷设备使用寿命；确保重要用电任务顺利完成。