储能系统的计划值预测方法及储能协调控制装置与流程
本发明涉及一种电网控制，特别涉及一种储能系统的计划值预测方法及储能协调控制装置。
背景技术：
在能源日益短缺的今天，人们越来越重视能源的合理、有效利用，而再生能源在这其中扮演的角色越来越重。发电具有随机性和间歇性的风能、太阳能等可再生能源，会对电网将产生冲击，严重时将引发大规模恶性事故，这就需要在直流母线或交流系统中具备一定的储能以跟踪负荷的变化。因此，由分布式电源组成的储能系统(如图1)，能与风电/光伏发电机组容量相匹配，支持充放电状态的迅速切换，确保系统的安全稳定，能充分利用了可再生能源，实现了能源的梯级利用、降低环境污染、改善系统的经济性。在国家政策鼓励下，分布式光伏迅猛发展，预计到2020年底，光伏发电总装机容量达到150gw，其中分布式光伏发电累计装机达到70gw，接近光伏总装机的一半。
储能应用前景广阔，国家大力推动储能的商业化应用，但由于储能的高成本限制了其的大规模应用，因此，主要可以通过电网侧的储能优化配置以及在用户侧建设分布式电储能设施。而针对于用户侧，则用户以自身的收益为主要考虑，通过降低电池成本的想法由于技术限制，在短时间内并无法实现。目前,工业大用户支付的电费按用电和容量计费,而对一些制造业或者重工业的用户来说,其需量电费会占到电费的20％左右，供电公司采用的测量规则如下:智能电表每隔1min,进入一个测量周期(15min)。这样,每天有1440次测量,智能电表只存取当天的最大值,如果第二天测量到的值比前一天记录的值要大,则智能电表记录值自动被新值覆盖。用户需要支付的基本电费为当月上报的最大需量乘以单价。在此基础上,如果用户实际测得的最大需量超过合同约定值的部分在5％以上,会对超过部分以加收一倍的方式进行惩罚。目前大部分储能系统都只采用了简单的削峰填谷模式，在用电高峰期通过储能放电来进行电能的补充，在用电谷期对储能进行充电，然而却对用户的数值无法进行较为精确的控制，故往往不能使用户达到较好的收益。
储能主要是指电能的储存。储存的能量可以用做应急能源，也可以用于在电网负荷低的时候储能，在电网高负荷的时候输出能量，用于削峰填谷，减轻电网波动。
技术实现要素：
本发明的目的在于提供一种储能系统的计划值预测方法及储能协调控制装置，要解决的技术问题是精确地使储能对用户的最大需量进行削峰填谷，提高控制的精确度。
为解决上述问题，本发明采用以下技术方案实现:一种储能系统的计划值预测方法，包括如下步骤：
步骤一、获取当地峰谷价差以及获取储能系统的历史负荷数据，通过历史负荷数据对次日负荷值进行预测得到次日负荷值；所述历史负荷数据包括n天中每个时间点的负荷值；
步骤二、设置约束条件，将次日负荷值作为knn算法的输入，峰谷价差作为约束条件，通过knn算法对次日的计划值进行预测，得到预测的次日计划值数据；所述预测的次日计划值数据包括次日中每个时间点的预测值；
步骤三、根据当前时间点所对应的次日计划值数据中的时间点的预测值对储能进行充放电。
进一步地，在步骤二之后，还对预测的次日计划值进行更新迭代，当获取到某个时间点的实际值时，对这个时间点后面的时间点的预测值进行更新迭代。
进一步地，所述对时间点后面的时间点的预测值进行更新迭代通过knn算法实现。
进一步地，所述步骤一中历史负荷数据的获得采用以下方法实现：
步骤s11、设前面n天中第t个时间点的负荷值记录为:zi,t；
其中i代表前面第i天，t代表该天中时间点所对应的序号，所述n为前面总共取了n天的总天数；
步骤s12、计算每一天的日平均负荷xi，即将每天的所有负荷值相加后求平均值：
其中，i表示第i天，m代表该天中时间点的总个数，t表示该天中时间点的序号,zi,t表示第i天的第t个时间点的负荷值；
步骤s13、将求得的n天的日平均负荷xi拟合为一条直线，拟合的方法采用最小二乘法；
其中，
然后，计算步骤s12中求得的日平均负荷与步骤s13中求得得拟合的直线上对应的最小二乘法的日平均负荷间的误差ri，
ri＝a+bi-xi
其中，a是y轴截距,b为斜率是表示一条直线关于横坐标轴倾斜程度的量，i表示第i天，xi由步骤s12计算得出；
将n天的误差平方相加
其中，
求
通过上式解得线性模型的系数a和b为：
步骤s14、预测次日的日平均负荷：
其中，a为y轴截距，b为斜率，是表示一条直线关于横坐标轴倾斜程度的量，在上面已经计算出a、b值，即已经拟合直线完成，接下来对次日的平均负荷进行预测，
步骤s15、求取每日的日负荷周期变化系数si，t，即以每个时间点的负荷值除以当日的日平均负荷，
其中，i表示第i天，t表示该天中时间点的序号，zi,t表示第i天的第t个时间点的负荷值，xi表示第i天的日平均负荷；
步骤s16、计算日负荷周期变化系数n天平均值，即将求得的n天的日负荷周期变化系数相加后求平均值，作为次日的负荷周期变化系数预测值；
其中，i表示天数，t表示该天中时间点的序号，
步骤s17、预测次日负荷值，即用预测的次日的日平均负荷乘以预测的每个时间点所对应的日负荷周期变化系数，得到t个预测的次日负荷值；
其中，
进一步地，所述步骤二中通过knn算法对次日的计划值进行预测，得到预测的次日计划值，具体采用以下步骤实现：
步骤s21、首先将预测的次日负荷值作为训练数据中的训练样本，通过欧式距离计算出测试数据与各个训练数据之间的距离；所述测试数据由横坐标上的测试点构成，所述测试点为时间点；
欧式距离：
其中，dn表示训练数据与测试样本的距离，x0为测试样本的横坐标，xn为训练样本的横坐标，yn为训练样本的纵坐标；
步骤s22、按照距离的递增关系进行排序；
步骤s23、选取距离最小的k个点；所述k取5个；
步骤s24、对k个值进行求平均，得到预测的次日计划值。
本发明还公开了一种储能协调控制装置，包括电源模块、主cpu模块、显示模块以及数据采集模块，还包括辅助cpu模块，所述辅助cpu模块将从主cpu模块接收到的历史负荷数据和实时负荷数据，设置约束条件，通过历史负荷数据对次日负荷值进行预测并作为knn算法的输入，峰谷价差作为约束条件，通过knn算法对次日的计划值进行预测，得到预测的次日计划值数据后反馈给主cpu模块；所述预测的次日计划值包括次日中每个时间点的预测值；
主cpu模块根据预测的次日计划值对储能进行充放电。
进一步地，所述辅助cpu模块还根据当日获得的实时负荷数据对预测的次日计划值进行更新迭代。
进一步地，对时间点后面的时间点的预测值进行更新迭代通过knn算法进行实现。
进一步地，所述历史负荷数据的获得采用以下方法实现：
步骤s11、设前面n天中第t个时间点的负荷值记录为:zi,t；
其中i代表前面第i天，t代表该天中时间点所对应的序号，所述n为前面总共取了n天的总天数；
步骤s12、计算每一天的日平均负荷xi，即将每天的所有负荷值相加后求平均值：
其中，i表示第i天，m代表该天中时间点的总个数，t表示该天中时间点的序号,zi,t表示第i天的第t个时间点的负荷值；
步骤s13、将求得的n天的日平均负荷xi拟合为一条直线，拟合的方法采用最小二乘法；
其中，
然后，计算步骤s12中求得的日平均负荷与步骤s13中求得得拟合的直线上对应的最小二乘法的日平均负荷间的误差ri，
ri＝a+bi-xi
其中，a是y轴截距,b为斜率是表示一条直线关于横坐标轴倾斜程度的量，i表示第i天，xi由步骤s12计算得出；
将n天的误差平方相加
其中，
求
通过上式解得线性模型的系数a和b为：
步骤s14、预测次日的日平均负荷：
其中，a为y轴截距，b为斜率，是表示一条直线关于横坐标轴倾斜程度的量，在上面已经计算出a、b值，即已经拟合直线完成，接下来对次日的平均负荷进行预测，
步骤s15、求取每日的日负荷周期变化系数si，t，即以每个时间点的负荷值除以当日的日平均负荷，
其中，i表示第i天，t表示该天中时间点的序号，zi,t表示第i天的第t个时间点的负荷值，xi表示第i天的日平均负荷；
步骤s16、计算日负荷周期变化系数n天平均值，即将求得的n天的日负荷周期变化系数相加后求平均值，作为次日的负荷周期变化系数预测值；
其中，i表示天数，t表示该天中时间点的序号，
步骤s17、预测次日负荷值，即用预测的次日的日平均负荷乘以预测的每个时间点所对应的日负荷周期变化系数，得到t个预测的次日负荷值；
其中，
进一步地，所述通过knn算法对次日的计划值进行预测，得到预测的次日计划值，具体采用以下步骤实现：
步骤s21、首先将预测的次日负荷值作为训练数据中的训练样本，通过欧式距离计算出测试数据与各个训练数据之间的距离；所述测试数据由x轴坐标上的测试点构成，所述测试点为时间点；
欧式距离：
其中，dn表示训练数据与测试样本的距离，x0为测试样本的横坐标，xn为训练样本的横坐标，yn为训练样本的纵坐标；
步骤s22、按照距离的递增关系进行排序；
步骤s23、选取距离最小的k个点；所述k取5个；
步骤s24、对k个值进行求平均，得到预测的次日计划值。
本发明与现有技术相比，通过knn算法对储能的计划值进行预测，通过峰谷价差以及预测到的计划值对储能进行充放电，达到削峰填谷效果，从而达到利用预测到的计划值来实现对日常用电量的约束管理，提高控制的精确度，为用户带来更好的经济收益。
附图说明
图1是本发明的应用场景。
图2是本发明储能协调控制装置的处理过程图。
图3是本发明计划值预测方法的流程图。
图4是本发明负荷预测值的实现流程图。
图5是本发明计划值预测实现流程图。
图6是本发明储能协调控制装置的结构框图。
具体实施方式
下面结合附图和实施例对本发明作进一步详细说明。
如图1所示，储能协调控制装置通过硬电缆直接采集系统并网点(pcc并网点开关，即将储能系统并到大电网的一个点)电压、电流，当检测到并网点频率偏差或电压幅值偏差越限时，自动快速协调控制整个储能系统的有功和无功潮流大小和方向，从而对电网进行紧急频率、电压支撑。储能协调控制装置的协调控制的主要功能有对上(ems、上级scada、电网调度中心)通讯、对下(pcs(储能变流器)、储能协调控制器子机)通讯、交流采样及开关控制、支持双机双网运行、削峰填谷。
储能协调控制装置通过串口或以太网modbus协议与其下辖管理的各pcs之间进行实时通信，装置根据各pcs的容量、soc等状态，采用既定的分配策略，实现储能系统总的有功、无功出力目标在各pcs之间的分配及快速闭环跟踪控制。
削峰填谷，调整用电负荷的一种措施，利用电网峰谷差价，储能系统在电网谷价时吸收电量进行储能，在峰值时进行释放，以降低负荷高峰，填补负荷低谷。
soc(stateofcharge)，即荷电状态，用来反映电池的剩余容量，其数值上定义为剩余容量占电池容量的比值，常用百分数表示，其取值范围为0～1，当soc＝0时表示电池放电完全，当soc＝1时表示电池完全充满。
如图2和图3所示，本发明公开了一种储能系统基于knn算法的计划值预测方法(储能系统的计划值预测方法或方法)，包括如下步骤：
步骤一、获取当地峰谷价差以及获取储能系统的历史负荷数据，通过历史负荷数据对次日负荷值进行预测得到次日负荷值；所述峰谷价差指是固定的用电高峰与谷期之间的差值，比如广东地区在9：00-12：00为用电高峰，收费为1.6/度，谷期为24：00-8：00，收费为0.6/度，两个价格之间的差值即为峰谷价差；所述历史负荷数据包括n天中每个时间点的负荷值；
步骤二、设置约束条件，将次日负荷值作为knn(k最近邻)算法的输入，峰谷价差作为约束条件，通过knn算法对次日的计划值进行预测，得到预测的次日计划值数据；所述预测的次日计划值数据包括次日中每个时间点的预测值，每个预测值预测的是每一个时间点的数值；时间点按照从0点至24点每隔5分钟取一个时间；
步骤三、根据当前时间点所对应的次日计划值数据中的时间点的预测值对储能进行充放电。
在步骤二之后，还对预测的次日计划值进行更新迭代，当获取到某个时间点的实际值时，对这个时间点后面的时间点的预测值进行更新迭代，具体地，对时间点后面的时间点的预测值进行更新迭代通过knn算法实现，具体实现步骤与步骤二相同，在此不再赘述。
所述步骤一中历史负荷数据的获得采用以下方法实现：如图4所示：
步骤s11、设前面n天中第t个时间点的负荷值记录为:zi,t；其中i代表前面第i天(i＝1,2,……n)，t代表该天中时间点所对应的序号，所述时间点的序号由每天从0：00分开始至24：00分，每隔5分钟取一个时间点并依次排序后获得，那么当t为1时，所对应的时间点为0：05分、t为2时，所对应的时间点为0：10、……，当t为288时，所对应的时间点为24：00分，即该天中时间点的总个数为288个，以此类推；所述n为前面总共取了n天的总天数；
步骤s12、计算每一天的日平均负荷xi，即将每天的所有负荷值相加后求平均值：
其中，i表示第i天(i＝1,2,……n)，m代表该天中时间点的总个数，t表示该天中时间点的序号(如t为1时所对应的时间点0：05分),zi,t表示第i天的第t个时间点的负荷值；
步骤s13、将求得的n天的日平均负荷xi拟合为一条直线，拟合的方法采用最小二乘法(线性化模型)；
其中，
然后，计算步骤s12中求得的日平均负荷与步骤s13中求得得拟合的直线上对应的最小二乘法的日平均负荷间的误差ri，
ri＝a+bi-xi
其中，a是y轴截距,b为斜率是表示一条直线关于(横)坐标轴倾斜程度的量(即时间点与日平均负荷之间的关系)，i表示第i天(i＝1,2,……n)，xi由步骤s12计算得出；
将n天的误差平方相加
其中，
求
通过上式解得线性模型的系数a和b为：
步骤s14、预测次日的日平均负荷：
其中，a为y轴截距，b为斜率，是表示一条直线关于(横)坐标轴倾斜程度的量，在上面已经计算出a、b值，即已经拟合直线完成，接下来对次日的平均负荷进行预测，
步骤s15、求取每日的日负荷周期变化系数si，t，即以每个时间点的负荷值除以当日的日平均负荷(例如每天都计算出288个系数，即每5分钟对应一个值)，
其中，i表示第i天(i＝1,2,……n)，t表示该天中时间点的序号(总数为m个)，zi,t表示第i天的第t个时间点的负荷值，xi表示第i天的日平均负荷；
步骤s16、计算日负荷周期变化系数n天平均值，即将求得的n天的日负荷周期变化系数相加后求平均值，作为次日的负荷周期变化系数预测值；
其中，i表示天数(i＝1,2,……n)，t表示该天中时间点的序号(每天时间点的总数为m个)，
步骤s17、预测次日负荷值，即用预测的次日的日平均负荷乘以预测的每个时间点所对应的日负荷周期变化系数，得到t个预测的次日负荷值；
其中，
如图5所示，所述步骤二中通过knn算法对次日的计划值进行预测，得到预测的次日计划值，具体采用以下步骤实现：
步骤s21、首先将预测的次日负荷值作为训练数据中的训练样本，通过欧式距离计算出测试数据与各个训练数据之间的距离；所述测试数据由x轴(横)坐标上的测试点(时间点)构成，例如测试点为288个；
欧式距离：
其中，dn表示训练数据与测试样本的距离，x0为测试样本的横坐标，xn为训练样本的横坐标，yn为训练样本的纵坐标；
例如，训练样本坐标(x,y)，然后给定一个测试点(即时间点)坐标(x1，0)，求回归值上对应的y1值。用knn的话，做法就是取k个离x1最近的样本坐标，然后对他们的y值求平均得到y1，x1是可变的，例如说每个时间点；
步骤s22、按照距离的递增关系进行排序；
步骤s23、选取距离最小的k个点；所述k取5个；
步骤s24、对k个值进行求平均，得到预测的次日计划值。
图6所示，本发明公开了一种储能协调控制装置，主要包括电源模块、主cpu模块、辅助cpu模块、显示模块以及数据采集模块，其中：
所述主cpu模块分别与显示模块、串口扩展板、数据采集模块、辅助cpu模块连接，电源模块分别于主cpu模块以及辅助cpu模块连接；
电源模块提供各模块的工作电源，电源模块输入ac220v、dc220v、dc110v兼容自适应，电源模块输出24v电源作为装置开入操作电源、输出5v电源给各插件供电，输出正负12v电源用于交流板ad采样。io接口的遥控出口电源经启动继电器开放，受主cpu模块控制。
主cpu模块负责对各个模块的协调控制；并将通过数据采集模块获取的历史负荷数据以及实时负荷数据再发送至辅助cpu模块，同时根据预测的次日计划值对储能进行充放电，具体地，根据当前时间点所对应的预测值对储能进行充放电；
辅助cpu模块将从主cpu模块接收到的历史负荷数据和实时负荷数据，设置约束条件，通过历史负荷数据对次日负荷值进行预测并作为knn(k最近邻)算法的输入，峰谷价差作为约束条件，通过knn算法对次日的计划值进行预测，得到预测的次日计划值数据后反馈给主cpu模块；所述预测的次日计划值包括次日中每个时间点的预测值，每个预测值预测的是每一个时间点的数值；时间点按照从0点至24点每隔5分钟取一个时间；
显示模块负责进行界面的显示；
数据采集模块用于对储能系统的历史负荷数据以及实时负荷数据的采集并发送给主cpu模块；
交流板用于主cpu模块与储能系统中设备(例如充电桩等)通信交互并获得交流量ad采样数据发送至主cpu模块
串口扩展板对串口进行扩展，使储能系统能够接入更多的设备并实现控制以及数据的交互；
辅助cpu模块还根据当日获得的实时负荷数据对预测的次日计划值进行更新迭代；具体地，对时间点后面的时间点的预测值进行更新迭代通过knn算法实现，具体实现步骤与下述的knn算法对次日的计划值进行预测的方法相同，在此不再赘述。
所述历史负荷数据的获得采用以下方法实现：如图4所示：
步骤s11、设前面n天中第t个时间点的负荷值记录为:zi,t；其中i代表前面第i天(i＝1,2,……n)，t代表该天中时间点所对应的序号，所述时间点的序号由每天从0：00分开始至24：00分，每隔5分钟取一个时间点并依次排序后获得，那么当t为1时，所对应的时间点为0：05分、t为2时，所对应的时间点为0：10、……，当t为288时，所对应的时间点为24：00分，即该天中时间点的总个数为288个，以此类推；所述n为前面总共取了n天的总天数；
步骤s12、计算每一天的日平均负荷xi，即将每天的所有负荷值相加后求平均值：
其中，i表示第i天(i＝1,2,……n)，m代表该天中时间点的总个数，t表示该天中时间点的序号(如t为1时所对应的时间点0：05分),zi,t表示第i天的第t个时间点的负荷值；
步骤s13、将求得的n天的日平均负荷xi拟合为一条直线，拟合的方法采用最小二乘法(线性化模型)；
其中，
然后，计算步骤s12中求得的日平均负荷与步骤s13中求得得拟合的直线上对应的最小二乘法的日平均负荷间的误差ri，
ri＝a+bi-xi
其中，a是y轴截距,b为斜率是表示一条直线关于(横)坐标轴倾斜程度的量(即时间点与日平均负荷之间的关系)，i表示第i天(i＝1,2,……n)，xi由步骤s12计算得出；
将n天的误差平方相加
其中，
求
通过上式解得线性模型的系数a和b为：
步骤s14、预测次日的日平均负荷：
其中，a为y轴截距，b为斜率，是表示一条直线关于(横)坐标轴倾斜程度的量，在上面已经计算出a、b值，即已经拟合直线完成，接下来对次日的平均负荷进行预测，
步骤s15、求取每日的日负荷周期变化系数si，t，即以每个时间点的负荷值除以当日的日平均负荷(例如每天都计算出288个系数，即每5分钟对应一个值)，
其中，i表示第i天(i＝1,2,……n)，t表示该天中时间点的序号(总数为m个)，zi,t表示第i天的第t个时间点的负荷值，xi表示第i天的日平均负荷；
步骤s16、计算日负荷周期变化系数n天平均值，即将求得的n天的日负荷周期变化系数相加后求平均值，作为次日的负荷周期变化系数预测值；
其中，i表示天数(i＝1,2,……n)，t表示该天中时间点的序号(每天时间点的总数为m个)，
步骤s17、预测次日负荷值，即用预测的次日的日平均负荷乘以预测的每个时间点所对应的日负荷周期变化系数，得到t个预测的次日负荷值；
其中，
如图5所示，所述通过knn算法对次日的计划值进行预测，得到预测的次日计划值，具体采用以下步骤实现：
步骤s21、首先将预测的次日负荷值作为训练数据中的训练样本，通过欧式距离计算出测试数据与各个训练数据之间的距离；所述测试数据由x轴(横)坐标上的测试点(时间点)构成，例如测试点为288个；
欧式距离：
其中，dn表示训练数据与测试样本的距离，x0为测试样本的横坐标，xn为训练样本的横坐标，yn为训练样本的纵坐标；
例如，训练样本坐标(x,y)，然后给定一个测试点(即时间点)坐标(x1，0)，求回归值上对应的y1值。用knn的话，做法就是取k个离x1最近的样本坐标，然后对他们的y值求平均得到y1，x1是可变的，例如说每个时间点；
步骤s22、按照距离的递增关系进行排序；
步骤s23、选取距离最小的k个点；所述k取5个；
步骤s24、对k个值进行求平均，得到预测的次日计划值。
本发明通过knn算法对储能的计划值进行预测，通过峰谷价差以及预测到的计划值对储能进行充放电，达到削峰填谷效果，从而达到利用预测到的计划值来实现对日常用电量的约束管理，提高控制的精确度，为用户带来更好的经济收益。
- 还没有人留言评论。精彩留言会获得点赞！