一种基于大数据的智能调控混合储能电力系统技术方案

本发明专利技术公开了一种基于大数据的智能调控混合储能电力系统，包括大数据采集模块、VMD

【技术实现步骤摘要】
一种基于大数据的智能调控混合储能电力系统


[0001]本专利技术属于储能负荷预测、储能调控
，具体涉及一种基于大数据的智能调控混合储能电力系统。

技术介绍

[0002]近年来，在智能电网和需求响应技术不断发展的今天，储能系统常常面临能源利用率不高、盈利能力差等问题。而准确的负荷预测对于储能系统的运营和规划至关重要，而预知用户侧需求量，在一定范围内调整其用电量大小，参与电网的运行调控，实现削峰填谷、促进可再生能源消纳、降低资源消耗、提高电力资源利用的目的。但在许多情况下，目前研究还很少综合考虑负载端和电价方面的预测，并将其结合考虑调控起来。
[0003]另一方面，目前的储能系统一般采用单一储能系统，这样会导致储能系统的使用寿命降低，而且由锂电池为代表的单一储能虽然可以发挥小目标的供能优势，但它不能适应负载突变的情况，无法满足长时间下的负载功率需求，混合储能电力系统在储能领域中能够充分发挥超级电容功率密度大与锂电池能量密度高的特点，减少脉动荷载的不利影响，能够分别平抑输出功率的高、低频波动，优化系统运行。
[0004]因此，亟需一种智能调控混合储能电力系统，能够基于用户需求量及电力电价，对混合储能电力系统进行合理的充放电调控，依据电价和负载供能的制定合理的调控策略，即保证了负载供能的饱满性，又节约了供电的成本，提高了能源的利用率。

技术实现思路

[0005]专利技术目的：针对
技术介绍
所提出的问题，本专利技术提供了一种基于大数据的智能调控混合储能电力系统，提供一种双预测的优化调控策略可以节省更多的成本，提高能源的灵活调控性。
[0006]技术方案：本专利技术提供一种基于大数据的智能调控混合储能电力系统，包括大数据采集模块、VMD
‑
FSA
‑
KELM预测模块、储能管理模块、混合储能模块、AMR智能计量器、电网；
[0007]所述大数据采集模块采集历史负荷数据以及历史电力价格数据；
[0008]所述VMD
‑
FSA
‑
KELM预测模块包括负载子预测模块和电价子预测模块；负载子预测模块基于历史负荷数据得到负载预测结果；电价子预测模块基于历史电力价格数据得到电价预测结果；
[0009]所述储能管理模块包括控制系统、PCS储能变流器、BMS；PCS储能变流器是储能管理模块与外界进行能量交换的装置；控制系统通过控制策略控制PCS储能变流器来控制混合储能模块充放电情况；BMS用来防止电池出现过充电和过放电，延长电池的使用寿命，监控电池的状态，负责监测储能模块的健康状况；
[0010]所述混合储能模块进行电能的存储及释放，电包括锂电池模块和超级电容模块；
[0011]所述AMR智能计量器实时测量测量负载端的功率、混合储能模块容量。
[0012]进一步地，所述负载子预测模块的预测过程如下：
[0013]S1：输入历史负荷数据并将负载实时的负荷数据作为历史数据，进行数据预处理；
[0014]S2：提取电力负荷数据的各模态分量和一个残差分量；
[0015]S3：将每个分量归一化后划分为训练数据集和测试数据集；
[0016]S4：将训练数据集作为输入x带入到KELM预测模型进行训练，确定第j个隐藏层节点的输出，输出预测负载所需的电能；
[0017]S5：确定KELM预测模型隐藏层的输出H(x)：
[0018]H(x)＝[h1(x)，h2(x)，
…
，h
L
(x)][0019]S6：当信号通过隐藏层进入输出层时，引入核函数代替h(x)，记KELM预测模型的输出为表达公式如下所示：
[0020][0021]式中Ω＝HH
T
，h(x)＝H为隐含层的输出矩阵，H
+
为矩阵H的广义逆矩阵，K(x
i
，x
j
)为高斯核函数，表示为：
[0022][0023]其中，ψ为核函数，C为惩罚系数；
[0024]S7：求解输出最小误差，通过平均绝对百分比求解方程进而寻找最小训练误差，求解的目标函数如下所示：
[0025][0026]式中：ξ表示训练误差，Num为样本总数，y
*
、x
*
为负载的实测值和预测值；
[0027]S8：采用FSA算法对KELM模型中的核函数以及惩罚系数进行优化。
[0028]进一步地，所述S8实现过程如下：
[0029]S81：初始化种群：将种群数量设置为P，每个种群都对应一组核函数和惩罚系数值，最大迭代次数为Iter
Max
，第一部分迁移的火烈鸟比例为MP
b
；
[0030]S82：找到每个火烈鸟的核函数和惩罚系数的适应度，并根据火烈鸟个体的适应度值对火烈鸟种群进行排序；低适应度的前火烈鸟MP
b
和高适应度的前火烈鸟MP
t
被视为迁徙火烈鸟，而其他火烈鸟被视为觅食火烈鸟，迭代公式如下式：
[0031]MP
r
＝rand[0，1]×
P
×
(1
‑
MP
b
)
[0032]其中，MP
r
为第r次迭代的数量；
[0033]S83：更新迁徙火烈鸟和觅食火烈鸟位置，即核函数和惩罚系数的值；
[0034]S84：检查是否有超出边界的火烈鸟，最大范围公式定义为：
[0035]L
max
＝|G1×
xb
j
+ε
×
x
ij
|
[0036]其中，L
max
表示最大范围，ε表示[
‑
1，1]的随机数；
[0037]S85：如果达到最大迭代次数，则转至S86；否则，转至S81；
[0038]S86：输出最优核函数和惩罚系数的值。
[0039]进一步地，所述控制策略为：
[0040]通过VMD
‑
FSA
‑
KELM预测模块得到预测负载数据P
pre
，预测电价数据M
ec
，记当地的平
均电价利用AMR智能计量器混合储能模块的剩余容量为C
hess
；
[0041]根据负载及电价情况执行放电或充电环节策略：
[0042]当P
pre
＞C
hess
时，混合储能模块放电同时电网供电；
[0043]当P
pre
≤C
hess
时，混合储能模块放电，电网不动作；
[0044]当时，电网仅给超级电容模块充电；
[0045]当时，电网给混合储能模块充电。
[0046]进一步地，步骤S1所述数据预处理是对数据进行Hilbert变换，变换公式如下本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于大数据的智能调控混合储能电力系统，其特征在于，包括大数据采集模块、VMD
‑
FSA
‑
KELM预测模块、储能管理模块、混合储能模块、AMR智能计量器、电网；所述大数据采集模块采集历史负荷数据以及历史电力价格数据；所述VMD
‑
FSA
‑
KELM预测模块包括负载子预测模块和电价子预测模块；负载子预测模块基于历史负荷数据得到负载预测结果；电价子预测模块基于历史电力价格数据得到电价预测结果；所述储能管理模块包括控制系统、PCS储能变流器、BMS；PCS储能变流器是储能管理模块与外界进行能量交换的装置；控制系统通过控制策略控制PCS储能变流器来控制混合储能模块充放电情况；BMS用来防止电池出现过充电和过放电，延长电池的使用寿命，监控电池的状态，负责监测储能模块的健康状况；所述混合储能模块进行电能的存储及释放，电包括锂电池模块和超级电容模块；所述AMR智能计量器实时测量测量负载端的功率、混合储能模块容量。2.根据权利1所述的一种基于大数据的智能调控混合储能电力系统，其特征在于，所述负载子预测模块的预测过程如下：S1：输入历史负荷数据并将负载实时的负荷数据作为历史数据，进行数据预处理；S2：提取电力负荷数据的各模态分量和一个残差分量；S3：将每个分量归一化后划分为训练数据集和测试数据集；S4：将训练数据集作为输入x带入到KELM预测模型进行训练，确定第j个隐藏层节点的输出，输出预测负载所需的电能；S5：确定KELM预测模型隐藏层的输出H(x)：H(x)＝[h1(x),h2(x),
…
,h
L
(x)]S6：当信号通过隐藏层进入输出层时，引入核函数代替h(x)，记KELM预测模型的输出为表达公式如下所示：式中Ω＝HH
T
，h(x)＝H为隐含层的输出矩阵，H
+
为矩阵H的广义逆矩阵，K(x
i
,x
j
)为高斯核函数，表示为：其中，ψ为核函数，C为惩罚系数；S7：求解输出最小误差，通过平均绝对百分比求解方程进而寻找最小训练误差，求解的目标函数如下所示：式中：ξ表示训练误差，Num为样本总数，y
*
、x
*
为负载的实测值和预测值；S8：采用FSA算法对KELM模型中的核函数以及惩罚系数进行优化。3.根据权利2所述的一种基于大数据的智能调控混合储能电力系统，其特征在于，所述S8实现过程如下：
S81：初始化种群：将种群数量设置为P，每个种群都对应一组核函数和惩罚系数值，最大迭代次数为Iter
Max
，第一部分迁移的火烈鸟比例为MP
b
；S82：找到每个火烈鸟的核函数和惩罚系数的适应度，并根据火烈鸟个体的适应度值对火烈鸟种群进行排序...

【专利技术属性】
技术研发人员：周孟雄，郭仁威，汤健康，苏姣月，纪捷，唐中一，王文杰，张敏，曾淼，谢金博，马梦宇，温文潮，纪润东，秦泾鑫，张佳钰，孙娜，王夫诚，黄慧，
申请(专利权)人：淮阴工学院，
类型：发明
国别省市：