一種電化學儲能充放電量預測方法技術

本發明專利技術涉及一種電化學儲能充放電量預測方法

【技術實現步驟摘要】
一種電化學儲能充放電量預測方法


[0001]本專利技術涉及儲能系統
，具體涉及一種電化學儲能充放電量預測方法
。

技術介紹

[0002]目前，在儲能系統領域，為更好的發揮電網支撐作用，需要依據歷史充放電能力預測輸出功率，來對電網整體進行規劃，由于儲能系統的充放電能力受各種條件和控制方式變化的影響，對電力系統的穩定性將造成一定的沖擊，為了確定在指定時間段內儲能系統的總充放電能力，對儲能系統的電量預測，特別是中長期的預測，將變得尤為重要，充放電能力的預測所需的因素主要是儲能系統自身材質
、
環境溫度以及其他外部條件
。
現有技術的預測手段是基于概率進行估計，但在實際使用中沒有得到良好的預測精度，此外現有模型的魯棒性和泛化能力也有待增強
。

技術實現思路

[0003]本專利技術提供一種電化學儲能充放電量預測方法，該方法基于卷積神經網絡對儲能系統充放電量進行預測，具有預測精度高
、
模型魯棒性強
、
泛化能力強等優點
。
技術方案如下：
[0004]一種電化學儲能充放電量預測方法，包括如下步驟：
[0005]步驟1：首先采集儲能系統的原始數據，將原始數據分為訓練樣本數據集和未標記樣本數據集；其中，原始數據包括歷史充放電量
、
環境溫度
、
儲電量；
[0006]步驟2：對采集的原始數據進行數據預處理，包括刪除重復值
、
數據合并
、
填充缺測值
、
處理異常值
、
歸一化和轉換時間數據至有監督數據；
[0007]步驟
3.
構建儲能系統中長期充放電量預測模型，并利用預處理后的訓練樣本數據集對預測模型進行訓練；
[0008]步驟
4.
利用步驟3訓練好的預測模型對預處理后的未標記樣本數據集進行預測，根據預測模型的輸出判斷儲能系統的充放電量及趨勢；
[0009]在步驟3中，構建儲能系統中長期充放電量預測模型的過程為：
[0010]所構建儲能系統中長期充放電量預測模型的第一部分為輸入層，輸入預處理后的訓練樣本數據集；
[0011]第二部分是
m
維卷積神經網絡層，
m
為參考指標數，構建由1個卷積層和1個最大池化層組成的一維卷積神經網絡框架，卷積核數目為
Tm
，激活函數為
ReLu
；所述卷積層遍歷輸入的前
n
時刻的歷史充放電量數據以及相關特征時序數據，將滑動提取的局部數據段通過與卷積核內部的權重進行計算，初步得到一個特征矩陣；然后將所述特征矩陣作為最大池化層的輸入，將池化窗口沿著序列進行平移，每進行一次池化操作都是取其中的最大值；
[0012]第三部分是雙向門控循環神經網絡
BiGRU
結構，分為兩層
BiGRU
，第一層
BiGRU
是3個
BiGRU
單元，原始的歷史充放電量數據中對時序信息更為敏感的部分被一維卷積神經網絡提取出來后分為3段，再分別輸入到3個
BiGRU
單元，每個
BiGRU
單元的神經元個數為
32
；然
后將3段輸出組合后再輸入第二層
BiGRU
中進行提取特征，第二層
BiGRU
中的
BiGRU
單元神經元個數為
64
，并以此進行時序數據建模；
[0013]第四部分是輸出層，經過神經網絡的拉伸層，即
Flatten
層將多維數據一維化，通過全連接層進行變換輸出預測結果，所采用的損失函數表示為：
[0014][0015]其中，
Loss
為損失函數；
y
i
為實際輸出值；為理論輸出值；
[0016]在步驟3中，利用預處理后的訓練樣本數據集對預測模型進行訓練的過程為：
[0017]采用聚集尋優算法對卷積神經網絡中神經元的參數
w
ne
和
b
ne
進行優化；其中
w
ne
為神經元的權重參數；
b
ne
為神經元的閾值參數；具體優化過程為：
[0018]首先定義尋優粒子，設置尋優粒子種群中有
n
個尋優粒子，尋優粒子個體狀態表示為
X
＝
[x1，
x2，
x3，
…
，
x
n
]，其中
x
i
為第
i
個尋優粒子的狀態，即尋優粒子的位置，也就是參數尋優問題中的自由變量；目標函數用
Y
＝
f(X)
表示；尋優粒子
i、j
之間的距離為
d
ij
＝
||X
i
?
X
j
||
；尋優粒子的搜索半徑為
Visual
；搜索的步長為
Step
；擁擠度因子為
δ
；
[0019]x
i
在視野
Visual
內搜索到任意位置
x
j
，若
x
j
位置狀態優于
x
i
的位置，則
x
i
向
x
j
位置方向前進一步，到達
x
next
位置；否則，繼續搜索視野范圍內的其他位置，設置搜索條件的過程表示為：
[0020]X
j
＝
X
i
+Visual
·
Rand()
；
[0021][0022]其中，
Rand()
為0～1之間的隨機數；
[0023]在行動之前，每個尋優粒子都會從搜尋行為
、
聚集行為
、
追尾行為和隨機行為中選擇最優的執行，使尋優粒子種群能夠到達離最優解更近的位置，具體來說：
[0024]搜尋行為：假設第
i
個尋優粒子的狀態為
x
i
，在其搜索范圍內隨機選擇一個狀態
x
j
，滿足下式：
[0025]X
j
＝
X
i
+Visual
·
Rand()
；
[0026]Y
i
和
Y
j
分別表示
X
i
和
X
j
狀態下的優先解密集度，如果
Y
i
＜
...

【技術保護點】

【技術特征摘要】
1.
一種電化學儲能充放電量預測方法，其特征在于，包括如下步驟：步驟1：首先采集儲能系統的原始數據，將原始數據分為訓練樣本數據集和未標記樣本數據集；其中，原始數據包括歷史充放電量
、
環境溫度
、
儲電量；步驟2：對采集的原始數據進行數據預處理，包括刪除重復值
、
數據合并
、
填充缺測值
、
處理異常值
、
歸一化和轉換時間數據至有監督數據；步驟
3.
構建儲能系統中長期充放電量預測模型，并利用預處理后的訓練樣本數據集對預測模型進行訓練；步驟
4.
利用步驟3訓練好的預測模型對預處理后的未標記樣本數據集進行預測，根據預測模型的輸出判斷儲能系統的充放電量及趨勢；在步驟3中，構建儲能系統中長期充放電量預測模型的過程為：所構建儲能系統中長期充放電量預測模型的第一部分為輸入層，輸入預處理后的訓練樣本數據集；第二部分是
m
維卷積神經網絡層，
m
為參考指標數，構建由1個卷積層和1個最大池化層組成的一維卷積神經網絡框架，卷積核數目為
Tm
，激活函數為
ReLu
；所述卷積層遍歷輸入的前
n
時刻的歷史充放電量數據以及相關特征時序數據，將滑動提取的局部數據段通過與卷積核內部的權重進行計算，初步得到一個特征矩陣；然后將所述特征矩陣作為最大池化層的輸入，將池化窗口沿著序列進行平移，每進行一次池化操作都是取其中的最大值；第三部分是雙向門控循環神經網絡
BiGRU
結構，分為兩層
BiGRU
，第一層
BiGRU
是3個
BiGRU
單元，原始的歷史充放電量數據中對時序信息更為敏感的部分被一維卷積神經網絡提取出來后分為3段，再分別輸入到3個
BiGRU
單元，每個
BiGRU
單元的神經元個數為
32
；然后將3段輸出組合后再輸入第二層
BiGRU
中進行提取特征，第二層
BiGRU
中的
BiGRU
單元神經元個數為
64
，并以此進行時序數據建模；第四部分是輸出層，經過神經網絡的拉伸層，即
Flatten
層將多維數據一維化，通過全連接層進行變換輸出預測結果，所采用的損失函數表示為：其中，
Loss
為損失函數；
y
i
為實際輸出值；為理論輸出值；在步驟3中，利用預處理后的訓練樣本數據集對預測模型進行訓練的過程為：采用聚集尋優算法對卷積神經網絡中神經元的參數
w
ne
和
b
ne
進行優化；其中
w
ne
為神經元的權重參數；
b
ne
為神經元的閾值參數；具體優化過程為：首先定義尋優粒子，設置尋優粒子種群中有
n
個尋優粒于，尋優粒子個體狀態表示為
X
＝
[x1，
x2，
x3，
…
，
x
n
]
，其中
x
i
為第
i
個尋優粒子的狀態，即尋優粒子的位置，也就是參數尋優問題中的自由變量；目標函數用
Y
＝
f(X)
表示；尋優粒子
i、j
之間的距離為
d
ij
＝
||X
i
?
X
j
||
；尋優粒子的搜索半徑為
Visual
；搜索的步長為
Step
；擁擠度因子為
δ
；
x
i
在視野
Visual
內搜索到任意位置
x
j
，若
x
j
位置狀態優于
x
i
的位置，則
x
i
向
x
j
位置方向前進一步，到達
x
next
位置；否則，繼續搜索視野范圍內的其他位置，設置搜索條件的過程表示為：
X
j
＝
X
i
+Visual
·
Rand()
；
其中，
Rand()
為0～1之間的隨機數；在行動之前，每個尋優粒子都會從搜尋行為
、
聚集行為
、
追尾行為和隨機行為中選擇最優的執行，使尋優粒子種群能夠到達離最優解更近的位置，具體來說：搜尋行為：假設第
i
個尋優粒子的狀態為
x
i
，在其搜索范圍內隨機選擇...

【專利技術屬性】
技術研發人員：袁丙青，張緒寶，辛峰，陳亮，曹冬梅，王中平，朱杭杰，
申請(專利權)人：三峽新能源發電阜南有限公司，
類型：發明
國別省市：