一种计及负载和气象影响的5G绿色基站供电优化方法

一种计及负载和气象影响的5g绿色基站供电优化方法
技术领域
1.本发明涉及通信系统设备领域，具体涉及一种计及负载和气象影响的5g绿色基站供电优化方法。


背景技术：

2.5g基站建设作为“新基建”的重要组成部分，正加快推进建设进程。我国已累计建成开通5g基站超过142.5万个，5g手机终端连接数达到5.2亿户。随着5g基站建设数量剧增，基站备用储能将是一笔容量可观的储能资源。5g基站备用储能主要作用为市电异常时紧急供电，但目前单个5g基站配备储能容量约为5g基站峰时用电量的三到四倍，尚未充分发挥5g储能闲置资源的价值。


技术实现要素：

3.针对上述问题，本发明提供了一种计及负载和气象影响的5g绿色基站供电优化方法，根据基于人工神经网络的5g基站能耗预测结果，考虑通过限制基站储能充放电的荷电状态范围将基站储能可调控容量与基站负载状态以及包括空气污染指数、温度、云量、湿度在内的气象因数相关联。在保证5g基站通信需求的基础上，发挥基站备用储能调峰经济效应，同时避免风、光清洁可再生能源电能的浪费。
4.一种计及负载和气象影响的5g绿色基站供电优化方法，包含以下步骤：
5.步骤1，统计5g基站运行历史数据，拟合5g基站能耗与通信负载的关系曲线，建立不同供电方式的成本函数；
6.步骤2，根据5g基站24小时能耗历史数据，对未来一天的能耗利用基于时间序列的人工神经网络方法进行预测，得到预测结果；
7.步骤3，根据5g基站24小时功耗预测数据以及能耗与通信负载关系曲线得出每小时基站负载率指标μ
loadi
；
8.步骤4，收集空气污染指数、温度、云量、湿度四种气象数据及光伏、风机发电数据，采用初值化对以上数据进行归一化处理；
9.步骤5，建立灰色关联度分析所需的光伏发电和风机发电的母序列与子序列；
10.步骤6，根据每小时的风光出力比赋予光伏和风机权重分别为γ1，γ2，其中γ1、γ2∈[0，1]，γ1+γ2＝1；
[0011]
步骤7，通过计算灰色关联系数、关联系数均值，形成关联序，最终求得空气污染指数、温度、云量、湿度四种气象因数对光伏发电量的影响权重α1、α2、α3、α4，和对风机发电量的影响权重β1、β2、β3、β4；
[0012]
步骤8，合实际意义对光伏发电和风机发电的空气污染指数、温度、云量、湿度四种气象数据正向化、归一化处理得到矩阵z
ij
(i＝1，2，3
…
24，j＝1，2，3，4，5，6，7，8)，结合步骤6与步骤7计算得出每小时四种气象因素对新能源发电的总影响系数μ
weai
；
[0013]
步骤9，根据步骤3与步骤8计算得出计及通信负载与四种气象因素的5g基站储能
电能持有量下限s
mini
；
[0014]
步骤10，根据优化调度周期，以全天总供电费用最小为优化调度目标，综合考虑功率平衡约束，储能充放电功率约束，以5g基站群、风机、光伏、储能组成的微网同配电网交换功率的约束，储能蓄电量约束，并且结合步骤2和步骤9得到的数据，建立基于5g储能灵活调度的5g基站供电系统优化调度模型；
[0015]
步骤11，求解步骤10得到的5g基站供电系统优化调度模型，计算出各个时段负荷的供电构成以及全天的供电费用。
[0016]
进一步地，所述步骤1中，不同供电方式的成本函数包括风机运行成本函数、光伏运行成本函数和储能单元成本函数。
[0017]
进一步地，所述步骤3中，每小时基站负载率指标μ
loadi
∈[0，1]，通信负载越大，μ
loadi
越大。
[0018]
进一步地，步骤5中，母序列是24小时光伏和风机的出力，子序列是24小时四种气象因数归一化化后的数值大小。这里，xi(k)表示第i个气象因数的第k个小时的数值，对于空气污染i取1，对于温度i取2，对于云量i取3，对于湿度i取4。
[0019]
进一步地，所述步骤6中，γ1，γ2分别与光伏、风机出力大小成正比。
[0020]
进一步地，步骤9中，放电时考虑每小时通信负载情况的储能蓄电下限s
mini
与μ
loadi
的关系式为：
[0021]smini
＝0.5*(s
0-soc
min
*6)
[0022]
其中s0是储能初始蓄电量，soc
min
＝μ
weai
*min{μ
loadi
，soc
down
}，soc
down
是避免过放的下限值，储能蓄电上限s
max
取电池容量的95％。
[0023]
进一步地，所述步骤10中，优化调度目标函数是光伏、风机、储能单元运行成本与微网向配电网购电的成本之和；供电系统优化调度模型所考虑的约束条件包括有功功率平衡约束、微网与配电网允许交互的功率约束、储能单元运行约束。
[0024]
进一步地，所述步骤11中，使用遗传算法进行优化模型的求解；遗传算法首先产生随机规模为n的初始种群，然后依据设定的适应度函数(即为步骤10中所设未来某日24小时基站供电总费用)计算适应度；这里适应度函数设定为未来某日24小时基站供电总费用，在得出适应度的基础上进行选择、交叉、变异，生成下一代代表供电策略的种群，直至适应度函数值平均变化小于tolfun(为优化函数中预定的精度，适应度函数值变化的相对函数值已小于预定的精度表示优化结束了)或者迭代次数大于最大值，得出最经济的供电方案。
[0025]
本发明的有益效果是：在保证5g基站通信需求的基础上，发挥基站备用储能调峰经济效应，同时避免风、光清洁可再生能源电能的浪费。
附图说明
[0026]
图1是本发明实施例中的5g绿色基站供电优化方法流程图。
[0027]
图2是本发明实施例中的5g基站供电系统结构示意图。
[0028]
图3是本发明实施例中的基于遗传算法的收敛曲线。
[0029]
图4是本发明实施例中的运行matlab所得某日5g基站(以50个基站为例)24小时的供电构成示意图。
具体实施方式
[0030]
下面结合说明书附图对本发明的技术方案做进一步的详细说明。
[0031]
5g基站的微网示例包括风机、光伏、储能单元等，如图2所示。针对该微网系统示例，运用本发明方法实施优化调度的具体步骤如下：
[0032]
步骤(1)：统计微网运行历史数据，建立微网内所有可控电源的成本函数。
[0033]
风机24小时运行成本函数描述如下：
[0034][0035]
光伏24小时运行成本函数描述如下：
[0036][0037]
这里，p
fi
是第i个时间段的风机功率，p
si
是第i个时间段的光伏功率，ωf是风机的发电价格，ωs是光伏的发电价格。
[0038]
储能单元的成本函数描述如下：
[0039][0040]
这里，p
ci
是第i个时间段的蓄电池功率，ωc是从充电到放电的每千瓦时费用。
[0041]
根据5g基站能耗与通信负载情况使用线性插值，得出二者关系曲线。
[0042]
步骤(2)：根据5g基站过去的一周运行的历史数据，对未来24小时的基站功耗预测，利用人工神经网络方法进行预测。
[0043]
bp神经网络是一种多层前馈的网络，由正向传播和误差的反向传播组成。其拓扑结构有3层组成：输入层，输出层和隐含层，其中隐含层可以有大于等于1个。每一层的神经元仅仅和紧邻层的神经元具有可达路径，同一层之间神经元不产生关联。大量的实践经验得出，两个隐层的bp网络可以表示出任意图形的任意函数。输入从输入层传播，经过隐藏层的函数处理后，从输出层输出的过程称为正向传播，对比真实值与预测值的差值成为误差，网络通过反向赋予权重由输出层传播至隐含层到输入层，将误差均分至每一层单元。
[0044]
本预测模型的bp神经网络设定的隐含层为6层，采用的激活函数为单极性s型函数，取学习率0.01，规定在均方误差达到0.00001或迭代次数达到10000次为训练停止准则。
[0045]
对所选数据进行7∶3的训练集与测试集划分，对训练数据进行归一化处理。设定初始网络的突触权值和阈值矩阵后，进行数据的正向传播和误差反向传播计算并更新权值，迭代，用新的样本重复进行正向传播和误差反向传播，直至满足停止准则。得出理想训练bp神经网络模型。最后带入5g基站历史功耗数据，对于未来24小时的基站功耗进行预测。
[0046]
步骤(3)：根据5g基站24小时功耗预测数据以及能耗与通信负载关系曲线得出每小时基站负载率指标μ
loadi
。依据步骤(1)中得出的5g基站功耗和通信基站负载率指标μ
loadi
的拟合曲线，推出每小时基站负载率指标μ
loadi
，μ
loadi
大小按照以下定级规则：μ
loadi
在满载时为1，50％时为0.5。
[0047]
步骤(4)：设四个气象指标的原始序列为xi(k)
′
。xi(k)
′
表示第i个气象因数的第k个数值，第一个因数是空气污染指数，x1(1)
′
表示空气污染指数在第一个小时的取值，x1(2)
′
就是第二个小时的取值，x2(1)
′
是温度在第一个小时的取值，x3(1)
′
是云量在第一个小时的取值，x4(1)
′
是湿度在第一个小时的取值，以此类推。因为本发明考虑的气象因数是不同质的东西的指标，因此数值大小可能相差较大，这是由于不同量纲导致，因此需要对它们进行无量纲化，无量纲化后的序列为xi(k)。无量纲化即是归一化操作，具体过程如下：归一化采用初值化办法，将某个指标的数据统一除以这列指标第一个数据，通过除以初值就能将这些值都整理到1这个量级附近。
[0048]
步骤(5)：以光伏发电为例，母序列是24小时光伏的出力，子序列是24小时四种气象因数归一化后的数值大小。这里，xi(k)表示第i个气象因数的第k个数值，第一个因数是空气污染指数，x1(1)表示空气污染指数在第一个小时的取值，x1(2)就是第二个小时的取值，x2(1)是温度在第一个小时的取值，x3(1)是云量在第一个小时的取值，x4(1)是湿度在第一个小时的取值，以此类推。本发明用x0(k)表示母序列，i≥1的表示子序列，即欲分析的要素的序列。
[0049]
步骤(6)：根据每小时的风光出力比赋予光伏和风机权重分别为γ1，γ2，其中γ1、γ2∈[0，1]，γ1+γ2＝1。
[0050]
步骤(7)：以光伏发电为例，根据灰色关联系数公式步骤(7)：以光伏发电为例，根据灰色关联系数公式(式中，ρ是可调节的系数，取值为(0，1)，这一项的目的是为了调节输出结果的差距大小，本实施例中取值0.5)求取计算灰色关联系数及不同气象因数ζi(k)的24小时关联系数均值ζi(i＝1，2，3，4)，最终求得空气污染指数、温度、云量、湿度四种气象因数对光伏发电量的影响权重α1、α2、α3、α4，同样替换母序列x0(k)为24小时风机的出力，计算出四个指标对风机发电量的影响权重β1、β2、β3、β4。这里，以对光伏发电量影响权重的4个参数的计算为例，βi同理。)
[0051]
步骤(8)：结合实际意义对光伏发电和风机发电的空气污染指数、温度、云量、湿度四种气象数据正向化、归一化处理得到矩阵z
mn
(m＝1，2，3...24，n＝1，2，3，4，5，6，7，8)，前四列是光伏发电相关矩阵，后四列是风机发电相关矩阵。
[0052]
结合实际意义，相同指标对于光伏发电和风机发电是不同方向的指标，对正向指标进行正向化处理：对逆向指标进行逆向化处理再对z
mn
′
进行归一化处理得到z
mn
，这里归一化采用初值化办法，将某个指标的数据统一除以这列指标第一个数据，通过除以初值就能将这些值都整理到1这个量级附近)结合步骤(6)与步骤(7)计算第i小时的四种气象因数对新能源发电的总影响因数
[0053]
步骤(9)：结合5g基站每小时负载率指标μ
loadi
以及四种气象因素对新能源发电的总影响系数μ
weai
，制定储能蓄电上下限。这里，因为单个5g基站备用储能持有19.2kwh左右的电量，而5g基站用电峰值在3kwh左右，因此规划6kwh的灵活调度空间，预留四小时左右的峰值用电量，放电时考虑每小时通信负载情况的储能蓄电下限s
mini
与μ
loadi
的关系式为：
[0054]smini
＝0.5*(s
0-soc
min
*6)
[0055]
其中s0是储能初始蓄电量，soc
min
＝μ
weai
*min{μ
loadi，
soc
down
}，soc
down
是避免过放的下限值，储能蓄电上限s
max
取电池容量的95％。
[0056]
步骤(10)：
[0057]
1)全天总供电费用目标表达式为：
[0058]
min w＝wc+wn+wf+ws[0059]
这里，wc为24小时储能运行费用，wn为全天微网与电网总交换费用，wf为风机24小时运行费用，ws为光伏24小时运行费用，其中wn的表达式为：
[0060][0061]
这里，ω
gi
是第i个时间段的购电价格，ω
mi
是第i个时间段的售电价格。式中，若向市网售电，则xi＝0；若向市网购电，则xi＝1。
[0062][0063]
这里，p
ni
是第i个时间段与主网交换的功率，p
li
是第i个时间段的负荷功率。
[0064]
2)有功功率平衡约束：
[0065]
p
li
+p
ci
＝p
ni
+p
fi
+p
si
[0066]
3)储能充放电功率约束：
[0067]-1.2≤p
ci
≤1.2
[0068]
4)微网同配电网交换功率的约束：
[0069]-30≤p
ni
≤30
[0070]
5)储能蓄电量约束：
[0071]smini
≤sp
ci
≤s
max
[0072]
sp
ci
整体是一个变量，表示第i个时间内的蓄电池容量(kva)。
[0073]
步骤(11)：使用遗传算法进行优化模型的求解。优化算法流程图如图1。遗传算法首先产生随机规模为n的初始种群，然后依据设定的适应度函数(适应度函数即为步骤(10)中所设未来某日24小时基站供电总费用)计算适应度。在得出适应度的基础上进行选择、交叉、变异，生成下一代代表供电策略的种群，直至适应度函数值平均变化小于tolfun(tolfun是优化函数中预定的精度，适应度函数值变化的相对函数值已小于预定的精度表示优化结束了)或者迭代次数大于最大值，得出最经济的供电方案。结果如图3和图4所示，图3是遗传算法的收敛曲线，图4是未来某日24小时的每小时供电构成，图中日负荷曲线纵
轴单位为kw，代表每小时5g基站能耗需求，grid运行计划纵轴单位为kw，表示供电系统同市电交互的情况，ba运行计划纵轴单位为kw，代表每小时的充放电功率，ba储能情况纵轴单位为kva，代表每小时所有5g基站储能可自由支配部分的电量持有情况。
[0074]
以上所述仅为本发明的较佳实施方式，本发明的保护范围并不以上述实施方式为限，但凡本领域普通技术人员根据本发明所揭示内容所作的等效修饰或变化，皆应纳入权利要求书中记载的保护范围内。