测数据 包括储能系统所覆盖区域的电力负荷历史数据与电力负荷实时数据。
[0057] 利用储能系统自带的信号传感接收装置，通过与智能电表进行数据通信获取电力 负荷实时数据，其中，电力负荷实时数据指从储能系统工作当日零时（〇〇:〇〇)开始获取的 电力负荷数据，该数据以天为区间，将一天24小时等分为n个时间段，从当日零时开始获 取，此后每隔24/n小时获取一次电力负荷实时数据，直到当日23时59分获取当日最后一 次电力负荷实时数据，共计在n+1个时间节点上获取电力负荷数据；通过储能系统与智能 电表长期通信，以及查阅电力部门过往历史记录获取电力负荷历史数据，其中电力负荷历 史数据为储能系统工作当日零时之前的电力负荷数据，至少采集过往1个月里每日每划分 时段的完整的电力负荷历史数据，并按照与每日电力负荷实时数据同样的方法进行每日历 史数据等分。本领域的一般技术人员很容易了解，该步骤中的采集时间节电（零时、23时 59分）可以根据需要自由设定。
[0058] 步骤2、构造并训练电力负荷数据的Elman神经网络：即构造一个Elman神经网 络，利用所述电力负荷历史数据对所述Elman神经网络进行训练，获得所述Elman神经网络 参数；
[0059] Elman神经网络是一种反馈型神经网络，该模型在前馈式神经网络的隐含层中增 加了一个承接层，作为一步延时的算子，以达到记忆的目的，使其对历史状态的数据具有敏 感性，从而使系统具有适应时变特性的能力，能直接反映动态过程系统的特性。此外，Elman 神经网络能够以任意精度逼近任意非线性映射，可以不考虑外部噪声对系统影响的具体形 式。因此，本发明采用Elman神经网络进行电力负荷预测可以根据负荷的历史数据、选定反 馈神经网络的输入、输出节点，来反映电力系统负荷运行的内在规律，从而达到准确预测未 来时段负荷的目的。本发明中所构造的Elman神经网络具有（n+1) X 1个输入，分别对应1 天的电力负荷历史数据，每天采集n+1次；同时，该神经网络具有n+1个输出，分别对应一天 之内n+1个时间节点上电力负荷预测数据；该Elman神经网络的参数通过当日之前N天的 历史数据滚动训练出，如图2所示，具体步骤如下：
[0060] 步骤2. 1、取当日之前N天的电力负荷历史数据01，…，Dn，其中D1S距离当日最远 一天的电力负荷历史数据，Dn为当日之前一天的电力负荷历史数据；D 1，…，队都由前述n+1 个时间点的电力负荷监测数据构成，即D1= [D i (t。)，…，D1 (tn) ] ,D1 (t。）表示第i天第t。时 间点的电力负荷数据，D1Un)表示第i天第t n时间点的电力负荷数据；1彡i彡N ;
[0061] 步骤2. 2、从第1天的电力负荷历史数据开始，取第1天到第1天的电力负荷历史 数据D1，…，D1作为Elman神经网络的输入，第1+1天的电力负荷预测数据/),, i f乍为输出目 标，记为一组训练；再取第2天到第1+1天的电力负荷历史数据D2，…，D1+1作为Elman神经 网络的输入，第1+2天的电力负荷预测数据爲 +2:作为输出目标，再记为一组训练；以此类推， 直到取第N-I天到第N-I天的电力负荷历史数据Dn :，…，Dn i作为Elman神经网络的输入， 第N天的电力负荷预测数据&作为输出目标，记为最后一组训练；共计N-I组训练；
[0062] 步骤2. 3、计算每组训练中输出的第i训练天的电力负荷预测数据及f与第i训练 天真实的电力负荷历史数据D iws之间的误差平方，其中，为每组训练的编号，取值为 1+1，…，N;通过使各组训练的误差平方之和最小化，即min wii(5,-Z),.以求得 Elman神经网络的参数；
[0063] 步骤3、预测当日电力负荷数据：
[0064] 将储能系统当前工作日记为当日；在储能系统工作当日零时（00:00)，将第N-1+1 天到第N天的电力负荷历史数据Dn1+1，…，Dn，将Dn :，…，Dn i作为步骤2中训练出的Elman 神经网络的输入，导入前述Elman神经网络中，求出储能系统工作当日的电力负荷预测数 据嚴。
[0065] 步骤4、基于人工鱼群算法的储能系统当日充放电规划：
[0066] 对步骤3获得当日电力负荷预测数据，分别在各时段添加储能系统可能的充电或 放电功率，构造方差最小化目标函数以及储能装置容量、功率限制、充放电次数约束；利用 人工鱼群算法对上述包含多项约束条件的目标函数进行优化求解，得到储能系统工作当日 各时段预测充电或放电功率。
[0067] 其中，当日各时段的充电或放电是指在从当日零时开始，在当日的前n个时间点 开始充电或放电，其中，第一次充电或放电从当日零时（第1个时间点t。）开始到第2个时 间点h终止，第二次充电或放电从当日第2个时间点t :开始到第3个时间点12终止，以此 类推直到最后一次充电或放电从当日第n个时间点t n i开始到当日23点59分（第n+1个 时间点tn)终止，共计形成n个充电或放电时段。
[0068] 假设在每个时段内，电力负荷始终与该时段初始时间点的电力负荷实时数据保 持一致，分别记为D(t。)，…，D(t n);假设在每个时段内，充电或放电功率保持不变，记为 P(t。)，…，P(tn :)，则每时段内储能系统充电或放电的电量（储能系统做功）为W(t。)，… ，W(tn)，且WU j) = PUj) X (3600/n)，其中，j为时间点索引，DUj)为当日\时间点的电力 负荷实时数据，Waj)为当日时间点储能系统充电或放电的电量（储能系统做功），记W =[wa。)，…，W(OLPa j)为当日h时间点储能系统充电或放电功率，则方差最小化目标 函数为：
[0070]当储能系统在时间点充电时，P (tj)为正值，当储能系统在时间点放电时， p(tj)为负值。
[0071] 式（1)中的模型仅考虑了不同时段充电放电功率的总体最优规划，还没有考虑电 池本身的硬件自身设置、使用寿命与用电安全方面的约束因素。因此，本发明在优化目标 函数（1)的同时还考虑储能装置容量、功率上限、充放电次数三种约束，其形式分别表达如 下：
[0072] (1)储能系统容量约束：任意时间点处储能系统中的电量E(t J都不能高于储 能系统自身容量上限E_或低于储能系统自身容量下限E _。
[0073] (2)储能系统充放电功率约束：储能系统在任意时间点处充电或放电的功率都 不能高于储能系统自身功率上限P_或低于储能系统自身功率下限P _。
[0074] (3)储能系统充放电次数约束：将一个充电阶段加上一个放电阶段算做一次充放 电，则每日充放电次数最多为k次，k为已知的正整数。
[0075] 然后利用人工鱼群算法对上述包含多项约束条件的目标函数进行优化求解，人工 鱼群算法源于对鱼群觅食等行为的模拟，其基本思想是：在一片水域中，营养物质最多最好 的地方一般是鱼群数量最多的地方，可以依据这一特点来模拟鱼群的觅食、聚群、追尾等智 能行为，从而实现全局的寻优。由于电力负荷数据的复杂性与储能系统充放电规划的不确 定性，使得其方差最小化目标函数的优化问题明显含有多个局部最优解的，传统进化计算 方法算法无法保证收敛到全局最优解，而人工鱼群算法最大的优点就是可以克服优化目标 函数的局部极值，取得全局最优解。此外，人工鱼群算法还具有对初值与参数选择不敏感、 鲁棒性强、简单易实现、收敛速度快和使用灵活等特点，因此可以有效规划储能系统工作当 日各时段预测充电或放电功率。如图3所示，具体步骤如下：
[0076] 步骤4. 1、在储能系统容量约束、储能系统充放电功率约束、储能系统充放电次数 约束范围内利用均匀随机数生成器随机抽样出m组不同的当日各时间点储能系统充电或 放电功率P 1= [pjt。)，…，P1 an0]，???，Pni= [Pnia。)，…，Pmanl)]。为叙述简便，下文将 任意当日各时间点储能系统充电或放电功率称为式（1)的一个解，P1，…，Pnl为解的初始种 群；
[0077]对于初始种群 P1，…，Pni中所有解，计算 W1= P1X (3600/n)，…，Wni= PniX (3600/ n)，并将W1，…，Wni代入式⑴中求得所有解的目标函数值E(W 1),…，E(WJ，记其中最小的值 为E*(W);设置搜索区域阈值dVlsual、拥挤程度S (0< S <1)、随机步长qrand、最大重复次 数11_、最大迭代次数T ;
[0078] 步骤4. 2、对于初始种群P1，…，Pm中任意一个解P s，s为解的标号，s = 1，'nb其 在E(W1),…，E(Wni)中所对应的目标函数值为E(W s);然后执行下述聚群行为与追尾行为：
[0079] 聚群行为：计算初始种群中与匕的欧式距离小于dVlsual的所有解，记这些解的个数 为n f，并求出这些解的平均值P。。计算I=PcX (3600/n)，并将W。代入式（1)中求得E(W。）。 如果E(Wj/nf< S XE(WS)，且E(Ws) >E(W。)，则在约束⑵的范围之内得到新的解Ps|_tl，
，且P min^^ P s|nextl^^ P max' 其中IlP^PsII表示PA P。之间的欧式 距离；否则，执行转步骤4. 3,执行觅食行为；
[0080] 追尾行为：计算初始种群中与匕的欧式距离小于dVlsual的所有解，记这些解的 个数为n f，并分别这些解乘以3600/n，再代入式（1)中，计算不同E(W)，记这些解中得到 的E(W)最小的解为匕。计算，I= PeX (3600/n)，并将I代入式（1)中求得EOU。如 果E(Wj/nf< S XE(Ws),且E(Ws) >E(WJ，则在约束⑵的范围之内得到新的解Ps|_t2，
'且PmiA P s|n