一种基于神经网络的储能管理系统的制作方法

本发明涉及一种基于神经网络的储能管理系统，属于电池模块领域。

背景技术：

储能系统的技术发展是保障清洁能源大规模发展和电网安全经济运行的关键。储能系统技术可以在电力系统中增加电能存储环节，实时平衡电力系统供给需求，特别是降低大负载对电网的潜在冲击和调节电力需求峰谷，从而提高电网运行的安全性、经济性、灵活性。

同时随着锂电池等储能电池技术的大力发展，储能系统的整体成本逐渐降低，但相较于其经济效益，其成本回收期仍然较长，无法满足用户需求。传统储能系统主要通过简单地控制电池模块的充放电情况对用户供电，无法根据用户负载实际情况以及用户用电实际条件优化储能系统充放电策略。

技术实现要素：

为了解决上述问题，本发明通过提供一种基于神经网络的储能管理系统。

本发明采用的技术方案一方面为一种基于神经网络的储能管理系统，包括天气数据采集模块，储能单元和储能管理模块，其中，天气数据采集模块包括现场传感器组、网络天气数据接收单元和天气数据处理单元，所述天气数据处理单元基于加权算法处理所述现场传感器组、网络天气数据接收单元输出的数据，标记该处理之后的数据为天气数据；所述储能单元用于标记并记录耗能单位的耗能信息，所述储能管理模块接收并基于神经网络处理天气数据和耗能信息以输出预期耗能信息Q，基于预期耗能信息Q输出调控策略信息。

优选地，所述储能管理模块基于神经网络处理天气数据和耗能信息的步骤包括：获取并记录耗能信息、天气数据和日期信息，将该三个参数作为神经网络的输入，设置预期耗能信息Q为输出；基于预期耗能信息Q输出调控策略信息。

优选地，所述神经网络为BNN神经网络或Elman神经网络。

优选地，储能管理模块输出调控策略信息的步骤包括：建立动态优化模型，所述动态优化模型基于公式C＝xQPg+(1-x)QPs,其中x为耗能单位在储能单元中的耗能百分比，Pg为时段充能价格，Ps为储能单元的放能价格,C为耗能单位用电成本，通过动态优化模型求出最优充能时段和最优放能价格，基于最优充电时段和最优放能价格输出调控策略信息。

优选地，所述天气数据处理单元接收现场传感器模组输出的数据并赋予其一权值，计算两者乘积，标记该乘积为现场分量；所述天气数据处理单元接收网络天气数据接收单元输出的数据并赋予其一权值，计算两者乘积，标记该乘积为网络分量；计算现场分量与网络分量的和，标记该和值为天气数据。

优选地，所述天气数据包括温度、湿度和天气状态。

本发明的有益效果为提供基于神经网络处理耗能与天气、日期以输出预测的耗能信息，基于耗能信息调节储能单元的充能和放能的时段，通过调节充能时段，降低充能费用，有利于成本的降低，提高利益。

附图说明

图1所示为基于本发明实施例的一种基于神经网络的储能管理系统示意图；

图2所示为基于本发明实施例的神经网络示意图。

具体实施方式

以下结合实施例对本发明进行说明。

基于发明的实施例，如图1所示一种基于神经网络的储能管理系统，包括天气数据采集模块，储能单元和储能管理模块，其中，天气数据采集模块包括现场传感器组、网络天气数据接收单元和天气数据处理单元，所述天气数据处理单元基于加权算法处理所述现场传感器组、网络天气数据接收单元输出的数据，标记该处理之后的数据为天气数据；所述储能单元用于标记并记录耗能单位的耗能信息，所述储能管理模块接收并基于神经网络处理天气数据和耗能信息以输出预期耗能信息Q，基于预期耗能信息Q输出调控策略信息。

现场传感器组是分布于用电的地点的各种传感器的集合，通过这些传感器收集温度、湿度、风速、光照情况(用于分析阴晴天等状况)，网络天气数据接收单元，主要是通过网络途径，接收来至信赖的网站的天气信息，同时，由于网络来源的信息主要是关于一个区域的整体信息，由于区域较大的原因，可能存在一个区域，不同的小区的天气区别较大的可能性，通过现场数据和网络数据的加权处理，即现场数据和网络数据，根据各种设定的加权，集合输出一个数据，该数据为天气数据；储能单元即供能的电池组等组成的集团，同时根据输出线路可以标记耗能单位(即实际使用电能的用户)，记录该耗能单位的地址，ID，耗能量和耗能时间等信息，标记其为耗能信息；储能管理单元接收天气数据和耗能信息之后，将这些信息输入设置的神经网络中，输出一个关于耗能单位在将来的时间内的预计的耗能信息，标记其为预期耗能信息，得到预期的耗能数据之后，通过调节储能单元的充电时段，可以在电费较低的时候充能，同时也可以调节客户用电的价格，而调节充电时段和调节用电结构的内容则为调控策略信息。

所述储能管理模块基于神经网络处理天气数据和耗能信息的步骤包括：获取并记录耗能信息、天气数据和日期信息，将该三个参数作为神经网络的输入，设置预期耗能信息Q为输出；基于预期耗能信息Q输出调控策略信息。

统计获取的用户负荷历史数据和历史天气参数信息，以一日的实际用户负荷作为神经网络的输出数据，以该日前一周每小时用户负荷W，该日的天气参数数据和日期类型作为神经网络的输入数据；

对神经网络进行初始化，根据输入输出序列(X，Y)确定u维输入结点单元向量x，n维隐含层结点单元向量L，n维反馈状态向量c，m维输出结点向量y，其中隐含层节点数n根据逐渐增加试探的办法来确定最优的隐含层神经元个数,直到网络性能达到设定的阈值或者最优时停止，而承接层用来记忆隐含层单元前一时刻的输出值并返回给网络的输入，从而建立基于神经网络的训练模型；

对用户负荷历史数据及历史天气参数信息进行归一化处理，然后根据归一化处理后的数据对建立的神经网络进行训练，从而将基于神经网络的预测模型预测误差控制在预设的范围内；采用最大最小法对用户负荷历史数据及历史天气参数信息进行归一化处理，所述归一化处理的公式为：

其中，Xmax为数据序列中的最大数，Xmin为数据序列中的最小数；

由于日期类型的特殊性，将休息日标记为1，工作日标记为0，符合最大最小归一化原则；

根据归一化处理后的数据对建立的神经网络进行误差计算、权值更新和阀值更新，从而将基于选定神经网络的预测误差控制在5％-10％的范围内。

神经网络采用BP算法进行权值修正更新，并采用误差平方和函数进行指标函数学习，所述指标函数E(w)学习的公式为：

其中，y_k(w)为初始输入向量，为目标输入向量。

所述神经网络为BNN神经网络或Elman神经网络。

如图2所示的神经网络示意图，基于神经网络的预测模型来实现用户负荷的短期预测，其中，X1，X2···Xu是输入层的节点，对应输入的天气参数，上一周用户负荷和日期类型；Y1是输出层的节点，对应输出的预测的用户负荷(负载消耗预测信息)；L1，L2···LN是隐含层的节点，其中隐含层节点数n(即最优的隐含层神经元个数)根据逐渐增加试探的办法来确定；C1，C2···CN是承接层的节点，用来记忆隐含层单元前一时刻的输出值并返回给隐含层的输入。

相关的激励函数可以选择市面上比较成熟的方案。

储能管理模块输出调控策略信息的步骤包括：建立动态优化模型，所述动态优化模型基于公式C＝xQPg+(1-x)QPs,其中x为耗能单位在储能单元中的耗能百分比，Pg为时段充能价格，Ps为储能单元的放能价格,C为耗能单位用电成本，通过动态优化模型求出最优充能时段和最优放能价格，基于最优充电时段和最优放能价格输出调控策略信息。

由于现在的电网是不中断供电的，而由于在晚上或者工作日，家庭的用电是比较少的，这个时候的电价也比较便宜，因此在此时对储能单元进行充能，会节省很多费用。

在通过预测模型得到用户负载消耗预测值后，以用户实际峰谷电价和相应时段和储能系统实时SOC状态量作为约束条件，优化储能系统充放电策略，使用户用电成本最小化。

所述天气数据处理单元接收现场传感器模组输出的数据并赋予其一权值，计算两者乘积，标记该乘积为现场分量；所述天气数据处理单元接收网络天气数据接收单元输出的数据并赋予其一权值，计算两者乘积，标记该乘积为网络分量；计算现场分量与网络分量的和，标记该和值为天气数据。

所述天气数据包括温度、湿度和天气状态。

基于本发明的实施例，储能管理系统的控制方法，步骤如下：

步骤1，确定用户用电峰谷情况和时间段，并记录一段时间内用户负荷历史数据，并将一年中的每个有效天数分为休息日和工作日两个日期类型；

步骤2，获得相对应的历史天气参数信息，包括但不限于气温T、日照时间t和天气类型P；

步骤3，统计获得的用户负荷历史数据和历史天气参数信息，将一日实际用户负荷作为神经网络的输出数据，将该日前一周内的每小时用户负荷W，预测日的天气参数数据和日期类型作为输入数据；

步骤4，网络初始化，根据输入输出序列(X，Y)确定u维输入结点单元向量x，n维隐含层结点单元向量l，n维反馈状态向量c，m维输出结点向量y，其中，隐含层节点数n根据逐渐增加试探的办法来确定最优的隐含层神经元个数,直到网络性能达到设定的阈值或者最优时停止，从而建立基于选定神经网络训练模型；

步骤5，使用最大最小法对用户负荷历史数据，天气参数历史信息和日期类型进行归一化处理，再利用其对神经网络进行训练(包括误差计算、权值更新和阀值更新的过程)，将网络的预测误差控制在5％～10％内；

步骤6，训练完成后可以利用神经网络来进行预测日的用户负荷预测，从而得到预测的结果。

步骤7，在通过预测模型得到用户负载消耗预测值后，以用户实际峰谷电价和相应时段和储能系统实时SOC状态量作为约束条件，优化储能系统充放电策略，使用户用电成本最小化。

步骤8，通过建立动态优化模型，决定选定时间段内负载消耗来源自储能系统和电网的百分比，从而最小化用户用电成本C，所述C的表达函数为：

C＝xQP_g+(1-x)QP_s

其中x为负载在电网中的消耗百分比，Q为预测负载消耗，Pg为实时电网价格，Ps为储能系统中电力价格。

以上所述，只是本发明的较佳实施例而已，本发明并不局限于上述实施方式，只要其以相同的手段达到本发明的技术效果，都应属于本发明的保护范围。在本发明的保护范围内其技术方案和/或实施方式可以有各种不同的修改和变化。