一种基于人工鱼群算法的智能化储能系统并网实时控制方法
【技术领域】
[0001] 本发明属于储能系统并网控制领域，尤其涉及一种基于人工鱼群算法的智能化储 能系统并网实时控制方法。
【背景技术】
[0002] 随着我国经济的飞速发展，国家电网也越来越大，大规模电网所带来的问题也逐 渐显露出来，例如调度困难、安全性和可靠系数不高等。同时，电网总体布局的不平衡性与 局部结构的不合理性与成倍增长的电力需求逐渐凸显出来，成为亟待解决的重要难题。当 前，电动汽车以及UPS的普及，越来越多的家庭拥有大容量锂电池等储能装置，这些分布式 的储能系统以其灵活、环保等优势正逐渐赢得广大市场，并已成为家庭用电的重要支持与 补充。
[0003] 由于电力生产与使用具有特殊性，即电能难以大量存储，而且各类用户对电力的 需求是时刻变化的，这就要求储能系统的充放电应随时紧跟负荷的变化动态平衡，即削峰 填谷，使得系统能最大限度地发挥出设备能力，使整个系统保持稳定且高效地运行，以满足 用户的需求。大规模电池储能系统通过在负荷高峰时放电，在负荷低谷时充电，可以实现对 负荷的削峰填谷功能，同时有利于电网公司与电力用户双方：电网公司利用储能系统削峰 填谷，能够推迟设备容量升级，提高设备利用率，节省设备更新的费用；电力用户利用储能 系统削峰填谷，可以利用峰谷电价差获得经济效益。在国外已有许多大规模电池储能系统 在运行；在国内，南方电网则最先开展了兆瓦级储能系统示范项目。
[0004] 因此，在这一背景下，如何利用有限的电池容量达到最优的削峰填谷效果，并满足 一组约束条件的限制，是提高储能系统利用率，提升电力用户家庭用电合理性，降低电力公 司运营成本的重要手段。为此，需要借助于优化算法来实现。当前求解储能系统充放电策 略的优化算法主要采用进化计算方法来求解，包括遗传算法、粒子群算法和模拟退火算法。 进化计算方法的优点是模型中可以包含不连续、非线性的约束；但是对于含有多个局部最 优解的问题，进化计算方法算法无法保证收敛到全局最优解。此外，当前在储能系统削峰填 谷方面所采取的策略多是通过优化算法对不同时段的充放电功率进行总体规划，而非通过 电力负荷实时数据进行充放电实时调整，无法自适应地寻找每日充放电的时间节点，大大 降低了削峰填谷效果与储能系统实时利用率。
【发明内容】
[0005] 本发明是为避免上述现有技术所存在的不足之处，提出一种基于人工鱼群算法的 智能化储能系统并网实时控制方法，以期能自动实现用电高峰时候并网放电，低谷时充电， 在用户侧实现削峰填谷，从而提高电力资源的利用效率。
[0006] 本发明为解决技术问题采用如下技术方案：
[0007] -种基于人工鱼群算法的智能化储能系统并网实时控制方法，包括如下步骤：
[0008] 步骤I :从智能电表中获取电力负荷监测数据，所述电力负荷监测数据包括储能 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；
[0009] 步骤2 :构造一个Elman神经网络，利用步骤1中的电力负荷历史数据对该Elman 神经网络进行训练，计算出该Elman神经网络参数；
[0010] 步骤3:在储能系统工作当日零时，将当日零时之前一段时间的电力负荷历史数 据导入步骤2中的Elman神经网络中，预测出储能系统工作当日各时段的电力负荷值；
[0011] 步骤4 :对步骤3获得的当日电力负荷预测数据，分别在各时段添加储能系统的充 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；
[0012] 步骤5 :将当日电力负荷实时数据与步骤3得到的当日电力负荷预测数据从当日 零时起，逐时段比较，并按不同情况分别判断各时段是否充电或放电，以及充电或放电的功 率，确定充电或放电时间节点；
[0013] 步骤6:储能系统当日工作至最后一个时段结束，即当日23时59分，获取最后一 次电力负荷实时数据，然后将当日全部时段的电力负荷实时数据按时序添加到电力负荷历 史数据中，再利用更新后的电力负荷历史数据重新对步骤2中的Elman神经网络进行训练， 更新该Elman神经网络参数，并在下一日零时重复步骤3,4, 5,获得下一日的充电放电时间 与功率。
[0014] 作为进一步的技术方案，所述步骤1中的电力负荷实时数据来自于储能系统自带 的信号传感接收装置，通过与智能电表进行数据通信获得；所述步骤1中的电力负荷历史 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得。
[0015] 作为进一步的技术方案，所述的步骤1中的电力负荷实时数据指从储能系统工作 当日零时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；所 述步骤1中的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。
[0016] 作为进一步的技术方案，所述的步骤2中的Elman神经网络具有（n+1) Xl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；所述的步骤2中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，具体步骤如下：
[0017] 步骤2. 1 :取当日之前N天的电力负荷历史数据01，…，Dn，其中D#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；
[0018] 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爲 +1作为输出目 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苏&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 :，…，Dni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；
[0019] 步骤2. 3 :计算每组训练中输出的第^胃天的电力负荷预测数据Gs与第 天真实的电力负荷历史数据贫^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[ -马胃)2，以求得 Elman神经网络的参数。
[0020] 作为进一步的技术方案，所述步骤3中当日零时之前一段时间的电力负荷历史数 据是指第N-1+1天到第N天的电力负荷历史数据Dn1+1，…，Dn，将Dn :，…，Dni作为步骤2中 训练出的Elman神经网络的输入，求出储能系统工作当日的电力负荷预测数据D,
[0021] 作为进一步的技术方案，所述步骤4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即 第1个时间点t。开始到第2个时间点ti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t2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tn : 开始到当日23点59分即第n+1个时间点tn终止，共计形成n个充电或放电时段，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(tn);假设在每个时段内，充电或放电功率保持不变，记为P(t。)，…，P(tnD，则 每时段内储能系统充电或放电的电量为W(t。)，…，W(tn)，且WUj) =PUj)X(3600/n)，其 中，j为时间点索引，Daj)为当日h时间点的电力负荷实时数据，Waj)为当日h时间点 储能系统充电或放电的电量，记W= [wa。)，…，W(OLpaj)为当日时间点储能系统充 电或放电功率，则所述步骤4所述的方差最小化目标函数为：
[0023]当储能系统在时间点充电时，b(tj)为正值，当储能系统在时间点放电时， b(tj)为负值。
[0024] 作为进一步的技术方案，所述步骤3中的约束条件是指：
[0025] (1)储能系统容量约束：任意时间点处储能系统中的电量E(tJ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
[0026] (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
[0027] (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。
[0028] 作为进一步的技术方案，所述步骤4中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具体是按如下步骤：
[0029] 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P1= [P1 (t。)，…，P1Un 0]，…，Pm= [Pm(t。)，…