基于滚动式实时电价预测的储能控制方法与流程

1.本技术涉及储能控制技术领域，尤其涉及一种基于滚动式实时电价预测的储能控制方法及系统。


背景技术：

2.随着用电需求的不断增加，人们越来越关注电力系统的平稳运行和电力系统的结算收入。电力系统的储能如果不能合理设置，会直接影响到结算收入和电力系统的正常运行等，在某些情况还会产生“超额获利回收”损失。对于已经配置了储能系统的风电场，其具备了一定的调节能力，但是如何灵活控制储能系统使得“风储”联合获得最佳的运行状态是亟需解决的问题。其中，储能系统灵活控制策略的优化需要以未来一段时间的实时电价数据作为重要的依据，因此，实时电价预测的准确性以及实时电价的滚动更新将直接影响到灵活控制策略的好坏。
3.相关技术中，基于电价预测进行储能控制时，采用的方案是一次性预测出一整天的实时电价数据。然而，通过该方式预测实时电价进行储能控制存在两个缺点：第一，将会导致实时电价的预测准确率偏低，无法为储能灵活控制系统提供准确有效的输入数据，从而导致储能灵活控制策略的准确性偏低。第二，在某些场景下可能导致策略的错误甚至使储能电池接收到反向操作的充放电策略(比如，某时刻本该接收到充电的策略信号反而接收到放电的策略信号或本该接收到放电的策略信号反而接收到充电的策略信号)。以上两点的缺点，都可能会对配备有储能装置的电场进行错误的储能控制。
4.因此，如何根据准确的实时电价对储能系统进行合理的灵活控制，成为目前亟需解决的问题。


技术实现要素：

5.本技术旨在至少在一定程度上解决相关技术中的技术问题之一。
6.为此，本技术的第一个目的在于提出一种基于滚动式实时电价预测的储能控制方法，该方法通过滚动式预测方式对实时电价进行预测，并将日前价格与实时电价之间的价差作为实时电价预测的重要特征，以系统负载率作为电价预测的输入数据，从而大幅度地提高实时电价的预测准确率，为储能灵活控制策略算法提供更加准确可靠的价格边界，进而提升灵活控制策略优化结果的可靠性和准确性。
7.本技术的第二个目的在于提出一种基于滚动式实时电价预测的储能控制系统；本技术的第三个目的在于提出一种非临时性计算机可读存储介质。
8.为达上述目的，本技术的第一方面实施例在于提出一种基于滚动式实时电价预测的储能控制方法，该方法包括以下步骤：计算实时电价预测的滚动时间间隔；每间隔一段所述滚动时间间隔获取一次实际的实时电价数据，并通过期望统计分析对日前价格与所述实时电价之间的差值期望进行统计分析；
通过滚动式预测算法对未来预设时间段内的实时电价进行预测，包括：通过预设的系统负载率算法模型计算每个时刻的系统负载率，并基于所述系统负载率通过梯度提升决策树gbdt模型进行实时电价预测；根据所述差值期望对预测的实时电价进行修正处理，并根据修正后的实时电价确定储能控制的边界数据，基于所述边界数据优化储能系统的灵活控制策略。
9.可选地，在本技术的一个实施例中，计算实时电价预测的滚动时间间隔，包括：获取预设的能源场站申报出力时间间隔、现货市场出清价格曲线时间间隔和超短期功率预测数值时间间隔；通过以下公式计算所述实时电价预测的滚动时间间隔：m=min{k，l，n}其中，m为实时电价预测的滚动时间间隔，k为能源场站申报出力时间间隔，l为现货市场出清价格曲线时间间隔，n为超短期功率预测数值时间间隔。
10.可选地，在本技术的一个实施例中，系统负载率算法模型如以下公式所示：其中，为t时刻的系统负载率，为t时刻的全网负荷预测值，为t时刻的新能源出力预测值，为t时刻的所有参与现货机组总容量，t表示全天任一时刻。
11.可选地，在本技术的一个实施例中，基于所述系统负载率通过梯度提升决策树gbdt模型进行实时电价预测，包括：根据所述未来预设时间段内每一时刻的所述系统负载率，建立对应数量的预设深度的决策树；根据每个所述决策树生成对应的弱学习器，并获取每个所述弱学习器学习到的权重；根据全部的弱学习器及其对应的权重生成强学习器算法模型，通过所述强学习器算法模型进行实时电价预测。
12.可选地，在本技术的一个实施例中，在所述生成强学习器算法模型之前，还包括：通过仿生优化调参模型对所述gbdt模型中的决策树的个数、决策树子叶的最小样本数、决策树的最大深度和最大特征数比例进行优化调参。
13.为达上述目的，本技术的第二方面实施例还提出了一种基于滚动式实时电价预测的储能控制系统，包括以下模块：计算模块，用于计算实时电价预测的滚动时间间隔；统计分析模块，用于每间隔一段所述滚动时间间隔获取一次实际的实时电价数据，并通过期望统计分析对日前价格与所述实时电价之间的差值期望进行统计分析；预测模块，用于通过滚动式预测算法对未来预设时间段内的实时电价进行预测，包括：通过预设的系统负载率算法模型计算每个时刻的系统负载率，并基于所述系统负载率通过梯度提升决策树gbdt模型进行实时电价预测；控制模块，用于根据所述差值期望对预测的实时电价进行修正处理，并根据修正后的实时电价确定储能控制的边界数据，基于所述边界数据优化储能系统的灵活控制策略。
14.可选地，在本技术的一个实施例中，计算模块，具体用于：获取预设的能源场站申报出力时间间隔、现货市场出清价格曲线时间间隔和超短期功率预测数值时间间隔；通过
以下公式计算所述实时电价预测的滚动时间间隔：m=min{k，l，n}其中，m为实时电价预测的滚动时间间隔，k为能源场站申报出力时间间隔，l为现货市场出清价格曲线时间间隔，n为超短期功率预测数值时间间隔。
15.可选地，在本技术的一个实施例中，预测模块，具体用于通过以下公式计算系统负载率：其中，为t时刻的系统负载率，为t时刻的全网负荷预测值，为t时刻的新能源出力预测值，为t时刻的所有参与现货机组总容量，t表示全天任一时刻。
16.可选地，在本技术的一个实施例中，预测模块，还用于：根据所述未来预设时间段内每一时刻的所述系统负载率，建立对应数量的预设深度的决策树；根据每个所述决策树生成对应的弱学习器，并获取每个所述弱学习器学习到的权重；根据全部的弱学习器及其对应的权重生成强学习器算法模型，通过所述强学习器算法模型进行实时电价预测。
17.本技术的实施例提供的技术方案至少带来以下有益效果：本技术通过滚动式预测方式对实时电价进行预测，并将日前价格与实时电价之间的价差作为实时电价预测的重要特征数据，从而大幅度地提高实时电价的预测准确率，为储能灵活控制策略算法提供更加准确可靠的价格边界。从算法逻辑上改变了目前现有技术的预测方式，更加符合配备有储能装置电场的实际运行需求，可以为储能灵活控制策略的优化以滚动的形式提供更加准确的数据边界，进而提高灵活控制策略的准确性；并且，本技术在算法模型设计上增加了系统负载率算法模型、并建立了高效的仿生优化调参模型来优化模型参数、提高实时电价预测的准确性和高效性。另外，本技术提出的实时电价滚动式预测算法模型设计合理有效、优化调参速度快，可以更加充分的满足储能装置在实际运行当中的需求。
18.为了实现上述实施例，本技术第三方面实施例还提出了一种非临时性计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述实施例中的基于滚动式实时电价预测的储能控制方法。
19.本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
20.本技术上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：图1为本技术实施例提出的一种于基于滚动式实时电价预测的储能控制方法的流程图；
图2为本技术实施例提出的一种滚动式预测算法的逻辑示意图；图3为本技术实施例提出的一种通过gbdt模型和仿生优化调参模型进行实时电价预测的原理示意图；图4为本技术实施例提出的一种基于滚动式实时电价预测的储能控制系统的结构示意图。
具体实施方式
21.下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
22.下面参考附图描述本技术实施例所提出的一种基于滚动式实时电价预测的储能控制方法及系统。
23.图1为本技术实施例提出的一种基于滚动式实时电价预测的储能控制方法的流程图，如图1所示，该方法包括以下步骤：步骤s101，计算实时电价预测的滚动时间间隔。
24.在本技术一个实施例中，计算实时电价预测的滚动时间间隔时，可以先获取预设的能源场站申报出力时间间隔、现货市场出清价格曲线时间间隔和超短期功率预测数值时间间隔。具体实施时，可以收集当地电力市场相关交易规则规定和历史数据等已知数据信息，获取能源场站申报出力时间间隔k、现货市场出清价格曲线时间间隔l。然后，通过已有的功率预测系统，或者搭建并训练超短期功率预测优化模型，获取预测系统或优化模型输出的超短期功率预测数值时间间隔n。
25.然后，通过以下公式计算实时电价预测的滚动时间间隔：m=min{k，l，n}其中，m为实时电价预测的滚动时间间隔，k为能源场站申报出力时间间隔，l为现货市场出清价格曲线时间间隔，n为超短期功率预测数值时间间隔步骤s102，每间隔一段滚动时间间隔获取一次实际的实时电价数据，并通过期望统计分析对日前价格与实时电价之间的差值期望进行统计分析。
26.具体的，每隔一段时间，即滚动时间间隔m，通过查阅相关的实际交易信息等方式，获取一次真实的实时电价数据，并通过期望统计分析算法对日前价格与获取的实时电价之间的差值期望进行统计分析。其中，日前价格可以通过建立日前价格预测模型等方式获取。
27.步骤s103，通过滚动式预测算法对未来预设时间段内的实时电价进行预测，包括：通过预设的系统负载率算法模型计算每个时刻的系统负载率，并基于系统负载率通过梯度提升决策树gbdt模型进行实时电价预测。
28.其中，梯度提升决策树（gradientboostingdecisiontree，简称gbdt），是一种迭代的决策树算法，该算法由多棵决策树组成，所有树的结论累加起来做最终答案。
29.具体的，通过本技术所提出的滚动式算法模型对未来一段时间的实时电价进行预测，其中，滚动式预测算法的逻辑如图2所示，参照图2所示的示例，假设当前时刻为00:15，则预测00:30时刻以及未来一段时间的实时电价，随着时间的推移，当达到00:30时,开始预测00:45时刻以及未来一段时间的实时电价，以此类堆，由此实现实时电价的滚动预测和滚
动更新，以提高实时电价预测的实时性。
30.在本技术一个实施例中，通过滚动式预测算法对未来预设时间段内的实时电价进行预测包括两个步骤，第一步是通过预先建立的系统负载率算法模型计算全天每个时刻的系统负载率，第二步是并基于系统负载率建立gbdt价格预测算法和仿生优化调参模型，通过梯度提升决策树gbdt模型进行实时电价预测。
31.具体而言，第一步中的系统负载率算法模型如以下公式所示：其中，为t时刻的系统负载率，为t时刻的全网负荷预测值，为t时刻的新能源出力预测值，为t时刻的所有参与现货机组总容量，t表示全天任一时刻。
32.具体实施时，可以通过不同的方式获取日前披露数据，再从中读取上述所需的数据。比如，根据电力现货交易平台公布的相关日前披露数据中，读取全网负荷预测数据、新能源出力预测数据、参与现货的机组总容量等数据，再将获取的数据输入上述系统负载率算法模型可以计算得到全天每个时刻对应的系统负载率。
33.进一步的，基于系统负载率通过梯度提升决策树gbdt模型进行实时电价预测，包括以下步骤，首先根据未来预设时间段内每一时刻的系统负载率，建立对应数量的预设深度的决策树，然后根据每个决策树生成对应的弱学习器，并获取每个所述弱学习器学习到的权重，最后根据全部的弱学习器及其对应的权重生成强学习器算法模型，通过强学习器算法模型进行实时电价预测。
34.具体而言，参加图3所示的通过gbdt模型和仿生优化调参模型进行实时电价预测的原理示意图，基于第一步计算得到的系统负载率数据，使用滚动预测(每隔m时间段预测一次)的方法预测未来一段时间长度的实时电价时，首先根据该时段内每一时刻对应的系统负载率特征建立n棵深度为d的决策树(即图中的决策树1至决策树n)，并生成对应的n个弱学习器(即图中的弱学习器1至弱学习器树n)以及每个弱学习器学习到的权重，最后综和所有的弱学习器形成强学习器算法模型。
35.在本实施例中，将上一步计算出的系统负载率作为特征训练样本，对待预测的未来预设时间段内每一时刻对应的系统负载率特征建立一个决策树，则建立的决策树数量n与未来预设时间段内系统负载率特征的数量相对应。决策树的深度d可以根据训练样本的特征直接指定，还包括直接指定叶子节点个数或者树的深度，以及叶子结点所包含的样本数。
36.进一步的，根据每个决策树生成对应的弱学习器。在本实施例中，对生成的弱学习器要求为低方差和高偏差，比如可以选择为carttree（即分类回归树）。在训练过程中，gbdt模型通过多轮迭代,每轮迭代产生一个弱分类器，每个分类器在上一轮分类器的残差基础上进行训练，通过迭代训练来降低偏差从而不断提高最终分类器的精度。
37.需要说明的是，由于本技术是针对电力系统的实时电价进行预测，因此选取了系统负载率作为特征训练样本，进而可以初始化训练样本的权值分布，使用具有权值分布的训练数据集进行学习，得到弱学习器。而在进行训练过程中，每个弱学习器学习自身的权重
时，作为一种可能的实现方式，可以计算每个弱学习器在训练数据集上的误差率，并根据每个弱学习器的误差率计算当前弱学习器在最终的强学习器中所占的权重，误差率越大，权重越小，进而得到每个弱学习器学习到的权重。最后，将每个弱学习器进行加权求和得到的强学习器，通过该强学习器根据输入的实时系统负载率等参数，进行实时电价的预测。
38.在本技术一个实施例中，为了提高实时电价预测模型的泛化能力，在训练gbdt算法模型过程中，还使用仿生优化调参模型对gbdt模型中决策树的个数、决策树子叶的最小样本数、决策树的最大深度以及数据的最大特征数比例进行优化调参，从而训练出适用于在电力系统的不同场景进行预测，泛化能力更强的实时电价预测模型。
39.步骤s104，根据差值期望对预测的实时电价进行修正处理，并根据修正后的实时电价确定储能控制的边界数据，基于边界数据优化储能系统的灵活控制策略。
40.具体的，本技术根据步骤s102中计算此处的差值期望对模型预测出的实时电价进行修正处理，以保证价差方向上的正确性，由此，本技术全面考虑了日前价格与实时电价之间的价差大小和价差方向对储能策略的影响，将日前价格与实时电价之间的价差作为实时电价预测的重要特征数据。
41.进一步的，根据修正后的实时电价确定储能控制的边界数据，优化储能灵活控制策略。具体而言，本技术对储能系统进行灵活控制包括，根据市场要求的平均时间间隔的出力曲线（比如从一天的零点开始，每隔15分钟一个点，一天96个点），市场出清的平均时间间隔的价格曲线（比如从一天的零点开始，每隔15分钟一个点，一天96个点），设置储能装置需要每隔一段时间（如15分钟）接收一次充放电的策略信号来进行具体的充放电操作。为了保证储能装置能长期稳定运行且兼顾到符合当前时刻的充放电需求，需要每个间隔点都滚动更新其控制策略，以达到整体最优。在本技术中，通过获取到的实时电价预测数据作为储能灵活控制策的价格边界数据，可以在每个时间点（比如15分钟），根据当前预测的实时电价确定当前时段储能系统的储能容量、待进行的充电或放电操作和充放电持续时间等控制参数，进而根据确定的当前时段的控制参数对储能系统进行控制，提升灵活控制策略优化结果的实时性和准确性。
42.综上所述，本技术实施例的基于滚动式实时电价预测的储能控制方法，通过滚动式预测方式对实时电价进行预测，并将日前价格与实时电价之间的价差作为实时电价预测的重要特征，以系统负载率作为电价预测的输入数据，从而大幅度地提高实时电价的预测准确率，为储能灵活控制策略算法提供更加准确可靠的价格边界。该方法从算法逻辑上改变了目前现有技术的预测方式，更加符合配备有储能装置电场的实际运行需求，可以为储能灵活控制策略的优化以滚动的形式提供更加准确的数据边界，进而提高灵活控制策略的准确性。并且，该方法在算法模型设计上增加了系统负载率算法模型、并建立了高效的仿生优化调参模型来优化模型参数、提高实时电价预测的准确性和高效性。另外，该方法提出的实时电价滚动式预测算法模型设计合理有效、优化调参速度快，可以更加充分的满足储能装置在实际运行当中的需求。
43.为了实现上述实施例，本技术还提出了一种基于滚动式实时电价预测的储能控制系统，图4为本技术实施例提出的一种基于滚动式实时电价预测的储能控制系统的结构示意图，如图4所示，该系统包括计算模块100、统计分析模块200、预测模块300和控制模块
400。
44.其中，计算模块100，用于计算实时电价预测的滚动时间间隔。
45.统计分析模块200，用于每间隔一段所述滚动时间间隔获取一次实际的实时电价数据，并通过期望统计分析对日前价格与实时电价之间的差值期望进行统计分析。
46.预测模块300，用于通过滚动式预测算法对未来预设时间段内的实时电价进行预测，包括：通过预设的系统负载率算法模型计算每个时刻的系统负载率，并基于系统负载率通过梯度提升决策树gbdt模型进行实时电价预测。
47.控制模块400，用于根据差值期望对预测的实时电价进行修正处理，并根据修正后的实时电价确定储能控制的边界数据，优化储能系统的灵活控制策略。
48.可选地，在本技术的一个实施例中，计算模块100，具体用于：获取预设的能源场站申报出力时间间隔、现货市场出清价格曲线时间间隔和超短期功率预测数值时间间隔；通过以下公式计算实时电价预测的滚动时间间隔：m=min{k，l，n}其中，m为实时电价预测的滚动时间间隔，k为能源场站申报出力时间间隔，l为现货市场出清价格曲线时间间隔，n为超短期功率预测数值时间间隔。
49.可选地，在本技术的一个实施例中，预测模块300，具体用于通过以下公式计算系统负载率：其中，为t时刻的系统负载率，为t时刻的全网负荷预测值，为t时刻的新能源出力预测值，为t时刻的所有参与现货机组总容量，t表示全天任一时刻。
50.可选地，在本技术的一个实施例中，预测模块300还用于：根据未来预设时间段内每一时刻的系统负载率，建立对应数量的预设深度的决策树；根据每个决策树生成对应的弱学习器，并获取每个弱学习器学习到的权重；根据全部的弱学习器及其对应的权重生成强学习器算法模型，通过强学习器算法模型进行实时电价预测。
51.可选地，在本技术的一个实施例中，预测模块300还用于：通过仿生优化调参模型对所述gbdt模型中的决策树的个数、决策树子叶的最小样本数、决策树的最大深度和最大特征数比例进行优化调参。
52.需要说明的是，前述对基于滚动式实时电价预测的储能控制方法的实施例的解释说明也适用于该实施例的系统，此处不再赘述综上所述，本技术实施例的基于滚动式实时电价预测的储能控制系统，通过滚动式预测方式对实时电价进行预测，并将日前价格与实时电价之间的价差作为实时电价预测的重要特征数据，从而大幅度地提高实时电价的预测准确率，为储能灵活控制策略算法提供更加准确可靠的价格边界。该系统更加符合配备有储能装置电场的实际运行需求，可以为储能灵活控制策略的优化以滚动的形式提供更加准确的数据边界，进而提高灵活控制策略的准确性。
53.为了实现上述实施例，本技术还提出了一种非临时性计算机可读存储介质，其上
存储有计算机程序，计算机程序被处理器执行时实现如上述实施例中任一所述的基于滚动式实时电价预测的储能控制方法。
54.在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、
ꢀ“
示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本技术的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
55.此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本技术的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
56.流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本技术的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本技术的实施例所属技术领域的技术人员所理解。
57.在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备（如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统）使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例（非穷尽性列表）包括以下：具有一个或多个布线的电连接部（电子装置），便携式计算机盘盒（磁装置），随机存取存储器（ram），只读存储器（rom），可擦除可编辑只读存储器（eprom或闪速存储器），光纤装置，以及便携式光盘只读存储器（cdrom）。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
58.应当理解，本技术的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列（pga），现场可编程门阵列（fpga）等。
59.本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
60.此外，在本技术各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
61.上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本技术的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本技术的限制，本领域的普通技术人员在本技术的范围内可以对上述实施例进行变化、修改、替换和变型。