多站点协同储能集控调度系统及方法与流程

本发明涉及多站点储能领域，尤其涉及一种多站点协同储能集控调度系统及方法。

背景技术：

1、在多站点储能系统中，需要通过协同调度来实现储能资源的优化利用和灵活调度，这包括对多个储能站点之间的能量传输和储能状态进行协调管理的方法和系统。例如，可以通过对包括电网负荷和储能状态的多种数据源进行集中分析和处理，以智能化的方式决策每个储能站点的充放电策略，能够实现整个多站点储能系统的高效运行和电力平衡。

2、中国发明专利公开文本cn116070801a提出了一种负荷聚合平台多站点最优运行策略生成方法，所述方法包括以下步骤：场景抽象建模，将负荷聚合平台下的各储能站点参与需求响应和日常运行的业务场景建模；决策变量定义；设定优化目标，包括设定电站供电收益、电网购电成本和需求响应收益，最终目标函数为所有站点综合收益之和最大化；添加约束条件；将负荷聚合平台下的多站点需求响应问题构建为约束优化模型，对所述约束优化模型进行实际求解，获得在当前条件下的最优运行策略。有益效果：制定经济性最优的运行策略、决策逻辑明确，决策过程快速有效、适应不同需求，有效解决了因站点负载功率等的突变导致的需求响应无法实际执行或出现重大偏差的问题。

3、中国发明专利公开文本cn102856912a提出了一种多目标多站点无功协调控制方法，所述方法包括以下步骤：根据运行电压偏差，确定需要参与无功协调控制的n个控制站点；进而获取各个控制站点中所有无功补偿装置的运行状态和设备容量参数；根据站内无功装置的运行状态，将离散型无功补偿装置(如电容器、电抗器)纳入连续型无功补偿装置(如svc装置)的控制体系，建立各个控制站点的站内无功协调控制模型；联合n个控制站点，构建考虑装置总损耗、电压总偏差等多目标多站点的无功协调控制系统；求解系统的无功协调控制模型，得到各个控制站点中无功装置的调节量；输出各个控制站点的无功装置调节量；然后进行无功协调控制。本发明提出构建考虑无功装置损耗的多目标多站点的无功协调控制系统，通过该无功协调控制系统的求解为决策者提供最优协调控制策略，在稳定系统电压的同时实现节能降耗的目的。

4、然而，上述现有技术并没有涉及如何获取多站点储能系统服务的各个用电电网的未来时间区间的供电电能总量需求，导致在储能分配端无法确定多站点储能系统在未来时间区间内为各个用电电网提供电能供应的储能站点数量，即为各个用电电网提供放电操作的储能站点数量，自然无法确定剩余可以进入充电状态的储能站点的数量，使得多站点储能系统在未来时间区间到达前处于无序管理模式。

技术实现思路

1、为了解决现有技术中的技术问题，本发明提供了一种多站点协同储能集控调度系统及方法，能够基于多站点储能系统服务的各个用电电网的过往电能使用数据以及多站点储能系统的多项配置数据智能解析各个用电电网在未来时间区间需求的供电电能总量，进而在多站点储能系统范围内调整为各个用电电网在未来时间区间提供电能供应的放电用的储能站点数量以及剩余可以进入充电状态的储能站点的数量，从而提升了多站点储能系统管理的智能化水准。

2、根据本发明的一方面，提供了一种多站点协同储能集控调度系统，所述系统包括：

3、电网采集机构，用于获取多个储能站点组成的多站点储能系统服务的各个用电电网在过往多天内与当前时间区间相同的多个历史时间区间分别对应的多份用电信息，所述过往多天的天数与各个用电电网的数量成正比；

4、储能检测机构，与所述多站点储能系统连接，用于获取所述多站点储能系统内的储能站点的数量、单储能站点的充电电能极值、各个用电电网的数量以及各个用电电网的累计负荷设备总数，并作为所述多站点储能系统对应的多项配置数据输出；

5、网络重构机构，用于对深度神经网络执行多次训练以获得经过多次训练后的深度神经网络，并作为智能预测模型输出，经过多次训练后的深度神经网络的训练次数与所述多站点储能系统内储能站点的数量正向关联；

6、预测执行机构，分别与所述电网采集机构、所述储能检测机构以及所述网络重构机构连接，用于采用所述智能预测模型基于设定时长限量、各个用电电网在过往多天内与当前时间区间相同的多个历史时间区间分别对应的多份用电信息以及所述多站点储能系统对应的多项配置数据智能预测所述各个用电电网在当前时间区间内的用电电能总量，并作为预测用电总量输出；

7、内容转换机构，与所述预测执行机构连接，用于基于预测用电总量和单储能站点的充电电能极值确定在当前时间区间内需要为各个用电电网配置的、用于放电的储能站点数量；

8、其中，基于预测用电总量和单储能站点的充电电能极值确定在当前时间区间内需要为各个用电电网配置的、用于放电的储能站点数量包括：基于预测用电极值除以单储能站点的充电电能极值的整除结果确定在当前时间区间内需要为各个用电电网配置的、用于放电的储能站点数量；

9、其中，获取多个储能站点组成的多站点储能系统服务的各个用电电网在过往多天内与当前时间区间相同的多个历史时间区间分别对应的多份用电信息包括：多个历史时间区间与当前时间区间中的任一时间区间在其所在的单天内所处的时间位置相同且持续时长相等，均为设定时长限量；

10、其中，获取所述多站点储能系统内的储能站点的数量、单储能站点的充电电能极值、各个用电电网的数量以及各个用电电网的累计负荷设备总数包括：所述多站点储能系统内的多个储能站点结构相同；

11、其中，获取多个储能站点组成的多站点储能系统服务的各个用电电网在过往多天内与当前时间区间相同的多个历史时间区间分别对应的多份用电信息还包括：各个用电电网在过往某一天内与当前时间区间相同的单个历史时间区间对应的用电信息包括各个用电电网在所述单个历史时间区间内的用电电能峰值、用电电能谷值、用电电能总量。

12、根据本发明的另一方面，提供了一种多站点协同储能集控调度方法，所述方法包括：

13、获取多个储能站点组成的多站点储能系统服务的各个用电电网在过往多天内与当前时间区间相同的多个历史时间区间分别对应的多份用电信息，所述过往多天的天数与各个用电电网的数量成正比；

14、获取所述多站点储能系统内的储能站点的数量、单储能站点的充电电能极值、各个用电电网的数量以及各个用电电网的累计负荷设备总数，并作为所述多站点储能系统对应的多项配置数据输出；

15、对深度神经网络执行多次训练以获得经过多次训练后的深度神经网络，并作为智能预测模型输出，经过多次训练后的深度神经网络的训练次数与所述多站点储能系统内储能站点的数量正向关联；

16、采用所述智能预测模型基于设定时长限量、各个用电电网在过往多天内与当前时间区间相同的多个历史时间区间分别对应的多份用电信息以及所述多站点储能系统对应的多项配置数据智能预测所述各个用电电网在当前时间区间内的用电电能总量，并作为预测用电总量输出；

17、基于预测用电总量和单储能站点的充电电能极值确定在当前时间区间内需要为各个用电电网配置的、用于放电的储能站点数量；

18、其中，基于预测用电总量和单储能站点的充电电能极值确定在当前时间区间内需要为各个用电电网配置的、用于放电的储能站点数量包括：基于预测用电极值除以单储能站点的充电电能极值的整除结果确定在当前时间区间内需要为各个用电电网配置的、用于放电的储能站点数量；

19、其中，获取多个储能站点组成的多站点储能系统服务的各个用电电网在过往多天内与当前时间区间相同的多个历史时间区间分别对应的多份用电信息包括：多个历史时间区间与当前时间区间中的任一时间区间在其所在的单天内所处的时间位置相同且持续时长相等，均为设定时长限量；

20、其中，获取所述多站点储能系统内的储能站点的数量、单储能站点的充电电能极值、各个用电电网的数量以及各个用电电网的累计负荷设备总数包括：所述多站点储能系统内的多个储能站点结构相同；

21、其中，获取多个储能站点组成的多站点储能系统服务的各个用电电网在过往多天内与当前时间区间相同的多个历史时间区间分别对应的多份用电信息还包括：各个用电电网在过往某一天内与当前时间区间相同的单个历史时间区间对应的用电信息包括各个用电电网在所述单个历史时间区间内的用电电能峰值、用电电能谷值、用电电能总量；

22、其中，基于预测用电极值除以单储能站点的充电电能极值的整除结果确定在当前时间区间内需要为各个用电电网配置的、用于放电的储能站点数量包括：预测用电极值除以单储能站点的充电电能极值完成整除时，将获得的商值作为当前时间区间内需要为各个用电电网配置的、用于放电的储能站点数量；

23、其中，基于预测用电极值除以单储能站点的充电电能极值的整除结果确定在当前时间区间内需要为各个用电电网配置的、用于放电的储能站点数量还包括：预测用电极值除以单储能站点的充电电能极值未完成整除时，将获得的商值加一获得的参考数量作为当前时间区间内需要为各个用电电网配置的、用于放电的储能站点数量。

24、由此可见，本发明至少具备以下几处显著的技术进步：

25、(1)基于多个储能站点组成的多站点储能系统服务的各个用电电网的过往各天同一时间区间的各份用电信息以及多站点储能系统对应的多项配置数据智能预测当天同一时间区间各个用电电网的用电总量，从而为多站点储能系统内各个储能站点的充放电策略的确定提供关键数据；

26、(2)基于智能预测的用电总量和单个储能站点的充电极值确定在当天同一时间区间为各个用电电网配置的、用于放电的储能站点数量，同时保持剩余储能站点进入充电状态，从而实现基于动态充电需求的多站点自适应储能配置；

27、(3)采用智能预测模型执行智能预测处理，所述智能预测模型为对深度神经网络执行多次训练所获得的经过多次训练后的深度神经网络，其中，经过多次训练后的深度神经网络的训练次数与多站点储能系统内储能站点的数量正向关联，从而实现基于不同多站点储能系统的智能预测模型的不同定制；

28、(4)在对深度神经网络执行的每一次训练中，将已知的各个用电电网在某一过往时间区间内的用电电能峰值作为深度神经网络的单项输出参数，将设定时长限量、各个用电电网在某一过往时间区间所在日期之前的过往多天内与某一过往时间区间相同的多个历史时间区间分别对应的多份用电信息以及多站点储能系统对应的多项配置数据作为深度神经网络的多项输入参数，以保证每一次训练的训练效果。