一种基于监督学习的微电网储能系统实时优化控制方法

本发明涉及储能系统控制领域，尤其涉及一种基于监督学习的微电网储能系统实时优化控制方法。

背景技术：

1、储能系统广泛应用于微电网系统，尤其是含光伏的微电网，如何实时控制储能电池系统功率，发挥微电网储能系统最大的经济效益至关重要。

2、目前微电网储能实时控制方法主要可以分为基于优化模型的方法和基于强化学习的方法两类，优化模型的方法基于负载和光伏的预测数据，由于光伏发电功率及负荷功率难以准确预测或事先了解其不确定性分布，调度结果受预测模型的影响，难以保证精度。基于强化学习方法减少了对预测模型精度的要求，得到更可靠的调度策略。但是，基于强化学习的方法存在的缺点是：强化学习只适用于低维度的状态空间，难以处理连续的状态和动作。然而微电网储能系统实时优化控制输出的变量是连续的，强化学习方法通常将输出变量离散化，因此牺牲了模型的精度以及调度的灵活性。常见的强化学习算法有q-learning，sarsa，policy gradients等。

技术实现思路

1、为了克服现有微电网储能系统实时控制方法的上述不足，本发明提出一种基于监督学习的微电网储能系统实时优化控制方法。

2、本发明的技术方案如下：

3、s1、建立含光伏、负荷和储能的微电网储能系统功率控制模型，包括建立最优化运行的目标函数fms和约束条件c＝{cl}；

4、s2、采用光伏预测模型生成日前光伏预测曲线，采用负荷预测模型生成日前负荷预测曲线，采用混合整数线性规划方法根据所述日前光伏预测曲线和所述日前负荷预测曲线，计算微电网储能系统的日前最优功率曲线及对应的日前soc曲线；

5、s3、在所述日前光伏预测曲线中加入随机噪声形成日前光伏预测误差模拟曲线集合；基于日前光伏预测误差模拟曲线集合中的所有曲线和日前光伏预测曲线构建超短期光伏预测曲线集合；在所述日前负荷预测曲线中加入随机噪声形成日前负荷预测误差模拟曲线集合；采用混合整数线性规划方法，计算微电网储能系统在所述日前光伏预测误差模拟曲线集合和所述日前负荷预测误差模拟曲线集合中的理论最优功率曲线集合及对应的理论soc曲线集合；

6、s4、把整个优化周期中均匀分为l个时段，时间长度为δt，基于随机森林算法，分别构建l个监督学习模型；

7、s5、在离线训练阶段，针对第i个监督学习模型(i＝1,2,...,l)，从s3所述理论最优功率曲线集合的所有功率曲线中选取第i个时段的平均功率，计算其与s2所述日前最优功率曲线中第i个时段平均功率的差值，作为第i个监督学习模型的标签；对于电价曲线、日前soc曲线、日前光伏预测曲线、日前负荷预测曲线、微电网储能系统的日前最优功率曲线、日前光伏预测误差模拟曲线集合中的所有曲线、日前负荷预测误差模拟曲线集合中的所有曲线、理论soc曲线、微电网储能系统的理论最优功率曲线集合中的所有曲线，将这些曲线第(i-1)个时段的值，以及第i个时段超短期光伏预测曲线的值全部作为第i个监督学习模型的特征；对所有l个监督学习模型进行训练与测试；

8、s6、在实时优化阶段，将第(i-1)个时段的电价、日前soc预测值、日前光伏预测平均功率、日前负荷预测平均功率、微电网储能系统的日前最优功率、实测光伏发电平均功率、实测负荷平均功率、实测soc值、实测微电网储能系统的平均功率以及第i个时段的微电网储能系统的超短期光伏预测平均功率输入第i个监督学习模型，计算出第i个时段的平均功率修正值，用于修正微电网储能系统的日前最优功率曲线，实施对微电网储能系统的实时优化控制。

9、本方案中步骤s1所述的建立含光伏、负荷和储能的微电网储能系统功率控制模型，具体包括：

10、s101、微电网储能最优化运行的目标函数是最小化微网系统的运行成本，其表达式fms为：

11、minfms＝ff+fess (1)

12、其中，ff为微电网从外电网系统购电的费用，fess为储能运行所产生的维修及折旧成本；

13、s102、根据步骤s101中的目标函数，其具体表达式为：

14、

15、

16、其中，代表第i个时段内外电网输入微电网系统的平均功率，ωp(i)表示第i个时段外电网的分时电价；km为微电网储能的运行维护及折旧成本系数，代表第i个时段微电网储能的平均输出功率，代表放电，代表充电；

17、s103、根据步骤s1，微电网储能运行的约束条件c包括：

18、各时间间隔内的功率平衡约束：

19、

20、其中，代表第i个时段内日前光伏预测发电平均功率，代表第i个时段内微电网的日前负荷预测平均功率。

21、微电网不允许向外电网倒送功率，满足功率单向流动约束：

22、

23、储能系统功率满足上下限约束：

24、

25、其中，pmax为微电网储能系统充放电功率的最大值。

26、微电网储能系统soc保持在一定范围内，同时在调度周期内始末soc保持不变：

27、

28、

29、

30、其中，qess为储能的额定容量，socmax和socmin分别为储能soc的上限和下限，和分别为调度周期的起始soc和终止soc。

31、本方案步骤s2所述获取储能的预测最优运行功率曲线以及对应soc变化曲线，具体包括：

32、s201、采用光伏预测模型生成日前光伏预测曲线具体如下：

33、

34、其中，ppv为光伏发电的额定功率；βt为光伏的温度系数；和trst分别为光伏实际工作温度和标准工作温度；和grst分别为实际光照强度和标准光照强度；

35、s202、采用负荷预测模型生成日前负荷预测曲线

36、s203、基于步骤s101、步骤s102和步骤s103所述的储能微电网模型及步骤s201所述的日前光伏预测曲线和步骤s202所述的日前负荷预测曲线采用混合整数线性规划的方法计算得到微电网储能系统的日前最优功率曲线及对应的日前soc曲线

37、根据步骤s3所述计算微电网储能系统在日前光伏预测误差模拟曲线集合和所述日前负荷预测误差模拟曲线集合中的理论最优功率曲线集合及对应的理论soc曲线集合，具体包括：

38、s301、生成n组服从正态分布的随机噪声集合(a＝1,2,...,n)，生成m组服从正态分布的随机噪声集合(b＝1,2,...,m)，具体如下：

39、

40、

41、s302、将步骤s301所述的{xren}分别加到日前光伏预测曲线中，形成日前光伏预测误差模拟曲线集合{ppv}；使用步骤s301所述的{xload}分别加到日前负荷预测曲线中，形成日前负荷预测误差模拟曲线集合{pload}，具体如下：

42、

43、

44、其中，

45、s303、基于步骤s201所述的日前光伏预测曲线和s302所述的日前光伏预测误差模拟曲线集合{ppv}，将{ppv}中的所有曲线，分别与按相同时间点求平均值，构建超短期光伏预测曲线集合{ppvsh}，具体如下：

46、

47、其中，(a＝1,2,...,n)。

48、s304、基于步骤s101、步骤s102和步骤s103所述的储能微电网模型及步骤s302所述的{ppv}和{pload}，任取曲线计算微电网储能系统基于和的理论最优功率曲线集合及对应的理论soc曲线集合(c*＝1,2,...,n×m)。

49、基于步骤s101、步骤s102和步骤s103构建的微电网储能系统功率控制模型，把整个优化周期中均匀分为l个时段，时间长度为δt，基于随机森林算法，分别构建l个监督学习模型rfi。

50、步骤s4构建的l个监督学习模型，对第i个监督学习模型rfi构建标签和特征，具体如下：

51、s501、针对第i个监督学习模型(i＝1,2,...,l)，从s3所述理论最优功率曲线集合的所有功率曲线中选取第i个时段的功率，计算其与s2所述日前最优功率曲线中第i个时段功率的差值，作为第i个监督学习模型的标签，具体如下：

52、

53、其中，c＝1,2,...,n×m；

54、s502、针对第i个监督学习模型(i＝1,2,...,l)，基于步骤s1、步骤s2和步骤s3所述的电价曲线、日前soc曲线、日前光伏预测曲线、日前负荷预测曲线、日前光伏预测误差模拟曲线集合中的所有曲线、日前负荷预测误差模拟曲线集合中的所有曲线、理论soc曲线集合中的所有曲线，将这些曲线第(i-1)个时段的值全部作为第i个监督学习模型的特征x(i)，具体如下：

55、

56、y(i)＝rfi(x(i)) (18)

57、s503、基于s501及s502所述的标签及特征数据，一共n×m个样本划分为训练集和测试集，对所有l个监督学习模型rfi进行训练与测试。

58、步骤s6所述实时优化阶段，将第(i-1)个时段的电价、日前soc预测值、日前光伏预测功率、日前负荷预测功率、微电网储能系统的日前最优功率、实测光伏发电功率、实测负荷功率、实测soc值、实测微电网储能系统的功率以及第i个时段的微电网储能系统的日前最优功率输入第i个监督学习模型，计算出第i个时段的功率修正值，用于修正微电网储能系统的日前最优功率曲线，实施对微电网储能系统的实时优化控制，具体如下：

59、

60、其中，为第i-1个时段的实测光伏发电功率，为第i-1个时段的实测负荷功率，为第i-1个时段的实测微电网储能系统的soc，为第i-1个时段的实测微电网储能系统的功率，第i个时段的微电网超短期光伏预测功率。

61、y'(i)＝rfi(x'(i)) (20)

62、

63、其中，就是基于监督学习的微电网储能系统实时优化控制方法得到的微电网储能系统功率值。

64、与现有技术相比，本发明的技术方案的有益效果是：

65、本发明基于监督学习技术，对微电网储能功率进行实时控制。基于光伏及负荷日前调度曲线得到日前最优功率，再添加噪声模拟日前调度的预测误差，求解得到基于误差曲线的理论最优功率。利用监督学习技术学习日前最优功率和理论最优功率之间的关系，进而在在线运行时可以根据更准确的超短期光伏预测值实时更新储能系统的功率。本发明中的监督学习模型训练完成之后的实时调度阶段无需再进行优化计算，相比于优化算法大大降低了对光伏和负荷功率的准确预测的依赖。相较于强化学习，本发明采用监督学习算法的实时优化控制方法可以输出连续的功率值，提高了模型精度和调度灵活性。本发明解决了现有基于优化模型方法对预测数据准确度过分依赖的问题和基于强化学习方法输出变量离散化的问题。