【技术实现步骤摘要】
本专利技术涉及电力系统控制，具体是涉及到一种基于储能系统的需量控制方法、系统、设备及介质。
技术介绍
1、随着工业化和城市化的快速发展，电力需求不断增长，尤其是工业用户的电力负荷特性显示出高度动态和不可预测性。这种不稳定性主要由于电力负荷受多种因素影响，包括经济活动、政策调整、天气变化、时间周期(如日周期和季节变化)以及行业特定因素等。这些复杂因素的交互作用导致电力系统的运营面临巨大挑战，特别是在需量管理和电费控制方面。
2、现有技术中，电力需量管理通常依赖于传统的负荷预测技术，如线性回归、时间序列分析等方法。然而，这些方法往往无法准确捕捉到负荷变化的复杂性和动态性，特别是在面对极端天气事件或突发经济变动时。此外，这些传统技术未能有效利用大数据和机器学习技术提供的优势，因此在预测准确性和实时响应能力方面存在明显不足。
3、随着储能技术的发展，利用储能系统进行需量控制成为一种潜在解决方案。储能系统能够在需求高峰时释放能量，而在需求低谷时储存能量，从而帮助平衡电网负荷和降低电力成本。然而，如何优化储能系统的运行策略，实现最佳的经济效益和系统稳定性，仍是一个技术挑战。现有的储能需量控制方法往往缺乏对负荷特性复杂影响因素的全面考量和精细化的实时调度策略。
技术实现思路
1、本专利技术提供了一种基于储能系统的需量控制方法、系统、设备及介质，其目的是解决现有技术中电力需量管理准确性不高和响应能力不足的问题，通过储能系统的优化调度，提高电力负荷预测的准确性和电力成本控制的
2、为实现上述目的，本专利技术第一方面提供了一种基于储能系统的需量控制方法，包括如下步骤：
3、收集电力负荷特性及其相关影响因素数据；
4、使用主成分-加权灰色关联度分析法对收集的电力负荷特性及其相关影响因素数据进行分析，以提取用于负荷预测的关键输入变量；
5、将所述关键输入变量输入到基于attention机制的长短期记忆负荷预测模型中，通过训练长短期记忆负荷预测模型以输出未来一段时间的负荷预测数据；
6、根据预测得到的负荷预测数据，构建月前储能优化模型，以确定预测的最大需量值；
7、根据最大需量值，滚动优化日内的调度方案，以进行储能的最优充放电操作。
8、进一步的，在使用主成分-加权灰色关联度分析法对收集的电力负荷特性及其相关影响因素数据进行分析前，还包括对所述收集的电力负荷特性及其相关影响因素数据进行预处理。
9、进一步的，使用主成分-加权灰色关联度分析法对收集的电力负荷特性及其相关影响因素数据进行分析，以提取用于负荷预测的关键输入变量的方法包括：
10、对收集的电力负荷特性及其相关影响因素数据进行均值化处理，计算各指标的平均值以形成均值化序列；
11、依据均值化序列计算标准差序列，获得每个指标的标准差；
12、利用z-score标准化方法对数据进行标准化处理，生成标准化序列；
13、基于标准化序列计算相关系数序列，以确定数据间的相关性；
14、对相关系数序列求解特征方程，计算并排序特征值及对应的特征向量；
15、根据特征值的大小排序，计算每一个特征值的贡献率及累积贡献率，选择累积贡献率达到预定阈值的主成分个数；
16、利用选定的前若干个主成分，根据其特征向量计算每个数据样本在主成分上的得分，形成新数据序列；
17、对新数据序列执行灰色关联度分析，计算时间加权关联度以提取负荷预测的关键输入变量。
18、进一步的，对新数据序列执行灰色关联度分析的方法包括：
19、将新数据序列与负荷预测目标变量构成参考序列和比较序列；
20、计算参考序列与每一个比较序列之间的差异绝对值，形成差异矩阵；
21、确定差异矩阵中最大差值和最小差值；
22、根据确定的差异矩阵中最大差值和最小差值，利用灰色关联系数公式计算各时间点的关联系数，公式为：
23、
24、其中，w为时间加权关联度，ξ为关联度系数序列，t为所取数据的历史时间长度，t为历史时刻，w为权重值；
25、对所有时间点上的关联系数进行加权求和，计算出每个输入变量的时间加权灰色关联度；
26、根据计算出的时间加权灰色关联度对输入变量进行排序，提取关联度较高的变量作为负荷预测的关键输入变量。
27、进一步的，将所述关键输入变量输入到基于attention机制的长短期记忆负荷预测模型中的步骤包括：
28、构建基于attention机制的长短期记忆负荷预测模型架构，其中包含输入层、lstm层、attention层和输出层；
29、将提取出的关键输入变量整理为时间序列数据，并划分为训练集、验证集和测试集；
30、将训练集输入到长短期记忆负荷预测模型中，利用反向传播算法调节模型参数，通过多轮迭代优化损失函数直至收敛；
31、在每个lstm层输出后应用attention机制，以计算各时间步对最终预测结果的影响权重；
32、将attention机制调整后的时间步输出传递至全连接层，以生成最终的负荷预测数据；
33、使用验证集验证长短期记忆负荷预测模型的预测准确性，并根据需要调整模型参数，以得到训练后的长短期记忆负荷预测模型；
34、将测试集输入到训练后的长短期记忆负荷预测模型，以输出未来一段时间的负荷预测数据。
35、进一步的，根据得到的负荷预测数据构建月前储能优化模型，确定最大需量值的步骤包括：
36、建立月前储能优化模型，该月前储能优化模型以最小化需量峰值为目标函数，并包含以下约束条件：储能系统容量、充放电功率限制、充放电效率、以及储能设备的运行成本；
37、利用优化求解算法，根据预测负荷数据和月前储能优化模型的参数，计算达到的最大需量峰值；
38、通过调整月前储能优化模型的充放电策略，运用月前储能优化模型降低预测的最大需量峰值，并确定最终的最大需量上报值。
39、进一步的，根据最大需量值，滚动优化日内的调度方案，以进行储能的最优充放电操作，具体步骤包括：
40、基于确定的最大需量值，建立日内调度模型，该日内调度模型包括电力市场的时段电价及储能系统的操作限制；
41、使用滚动优化策略，每日更新输入数据，包括最新的预测负荷数据和电价信息；
42、通过优化算法，根据当日的电力市场条件和储能系统的状态，计划储能系统既定时间的充电和放电操作；
43、输出每日的充放电指令，以最大化用户经济收益。
44、为实现上述目的，本专利技术第二方面提供了一种基于储能系统的需量控制系统，包括如下模块：
45、数据收集模块，用于收集电力负荷特性及其相关影响因素数据；
46、数据分析模块，用于使用主成分-加权灰本文档来自技高网...
【技术保护点】
1.一种基于储能系统的需量控制方法，其特征在于，包括如下步骤：
2.如权利要求1所述的基于储能系统的需量控制方法，其特征在于，在使用主成分-加权灰色关联度分析法对收集的电力负荷特性及其相关影响因素数据进行分析前，还包括对所述收集的电力负荷特性及其相关影响因素数据进行预处理。
3.如权利要求1所述的基于储能系统的需量控制方法，其特征在于，使用主成分-加权灰色关联度分析法对收集的电力负荷特性及其相关影响因素数据进行分析，以提取用于负荷预测的关键输入变量的方法包括：
4.如权利要求3所述的基于储能系统的需量控制方法，其特征在于，对新数据序列执行灰色关联度分析的方法包括：
5.如权利要求1所述的基于储能系统的需量控制方法，其特征在于，将所述关键输入变量输入到基于Attention机制的长短期记忆负荷预测模型中的步骤包括：
6.如权利要求1所述的基于储能系统的需量控制方法，其特征在于，根据得到的负荷预测数据构建月前储能优化模型，确定最大需量值的步骤包括：
7.如权利要求1所述的基于储能系统的需量控制方法，其特征在于，根
8.一种基于储能系统的需量控制系统，其特征在于，包括如下模块：
9.一种电子设备，其特征在于，包括处理器和存储器，所述处理器用于执行所述存储器中存储的计算机程序时实现如权利要求1至7任一项所述基于储能系统的需量控制方法的步骤。
10.一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，其特征在于，所述计算机程序被处理器运行时执行权利要求1至7任一所述基于储能系统的需量控制方法的步骤。
...【技术特征摘要】
1.一种基于储能系统的需量控制方法，其特征在于，包括如下步骤：
2.如权利要求1所述的基于储能系统的需量控制方法，其特征在于，在使用主成分-加权灰色关联度分析法对收集的电力负荷特性及其相关影响因素数据进行分析前，还包括对所述收集的电力负荷特性及其相关影响因素数据进行预处理。
3.如权利要求1所述的基于储能系统的需量控制方法，其特征在于，使用主成分-加权灰色关联度分析法对收集的电力负荷特性及其相关影响因素数据进行分析，以提取用于负荷预测的关键输入变量的方法包括：
4.如权利要求3所述的基于储能系统的需量控制方法，其特征在于，对新数据序列执行灰色关联度分析的方法包括：
5.如权利要求1所述的基于储能系统的需量控制方法，其特征在于，将所述关键输入变量输入到基于attention机制的长短期记忆负荷预测模...
【专利技术属性】
技术研发人员：文宇良，罗文广，郑汉锋，杨宇，彭郎军，彭彬，尹忠才，周彬，牛超群，周雪鹏，童鹏飞，郭志明，
申请(专利权)人：中车株洲电力机车研究所有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。