主从控架构的综合能源能量管理系统及预测控制方法

1.本发明涉及能量管理技术领域，具体涉及一种主从控架构的综合能源能量管理系统及预测控制方法


背景技术：

2.可再生能源因其绿色、可持续发展、改善化石能源的过度开采和不合理的使用带来的环境污染等优势得到广泛的应用，但其发电不确定性、不可控性等造成的电力系统成本高、能源利用率低的问题。综合能源系统可以耦合可再生能源、分布式电源等，促进分布式电源和可再生能源的大量接入电网，同时多种类型能源之间互补互济使能源供应的可靠性提高，在满足系统负荷需求的同时，有效的提高了能源利用率。综合能源系统的能量管理优化方法可以根据系统分布式电源的特性，合理规划电源的电力计划以提升系统的经济性、耐久性等。
3.综合能源系统中因为包含多种类型的能源和能量系统且不同类型能源的供电特性、性能要求等也有差异，如电池储能系统对于使用寿命等有更高的要求，使得能量管理管理的复杂度更高，需要对综合能源系统考虑更多的因素来优化管理各电源以及外部电网之间的能量交互。此外，常规能量管理主要是根据日前预测结果进行优化，考虑到可再生能源发电和负荷需求受到多种不确定因素影响，随机性较强，日前预测时间尺度较长精度存在一定偏差，不能直接应用于系统调度，需要根据更短时间尺度的预测结果对其调整。


技术实现要素：

4.本发明的目的在于提供一种主从控架构的综合能源能量管理系统及预测控制方法，该系统及方法有利于提高能量管理的优化效果。
5.为了实现上述目的，本发明采用的技术方案是：一种主从控架构的综合能源能量管理系统，包括储能系统、储能变流器、光伏发电设备、光伏逆变器、负荷系统、能量管理控制器和能量管理中心等；所述能量管理控制器为主节点，所述储能变流器、光伏逆变器、负荷系统为从节点，主节点通过rs485接口监测从节点的运行状态并下发信号到从节点，调整储能系统、光伏发电设备的工作状态；所述能量管理中心通过以太网接收主节点上传的信息，并存储于sql数据库。
6.进一步地，所述能量管理控制器通过rs485工业控制总线、modbus rtu通讯协议与储能变流器和光伏逆变器建立通信，用于下发综合能源系统的预测控制的优化结果，统筹电源的出力状况；所述能量管理控制器通过以太网与能量管理中心实现信息交互，将从节点发送的负荷、光伏发电功率、气象数据上传到能量管理中心的sql sever数据库，用于预测功能。
7.进一步地，所述储能变流器和光伏逆变器均包括dc/ac变流器和控制器；所述dc/ac变流器和控制器将产生的直流电能转化为与电网同频、同相的交流电；所述控制器基于dsp控制板开发，通过rs485通讯接收主节点发出的控制指令，并每隔一段时间将信息打包
反馈到主节点；所述储能变流器的控制器接收主节点下发的控制信号，采用p/q方式控制储能系统充放电模式和功率大小，执行能量管理优化的结果，同时通过rs485通信与储能系统bms通讯，获取电池组状态信息，实现对电池的保护性充放电；所述光伏逆变器的控制器内嵌入mppt最大功率追踪算法，实现光伏发电设备输出最大发电功率，通过rs485通信与光伏发电设备相连接，获取光伏发电功率等信息。
8.进一步地，所述能量管理中心通过以太网与主节点相连接，主节点每隔一段时间将采集的信息打包上传到能量管理中心；所述能量管理中心根据iec60870-104标准通信读取主节点上传的数据并存储于sql sever数据库；所述能量管理中心配置windows操作系统中odbc数据源，使得基于matlab开发的预测控制软件可以连接sql server数据库，实现预测和能量管理优化功能；优化的结果根据modbus协议点表确定需要控制的设备地址，通过主节点下发信号到从节点。
9.本发明还提供了基于上述主从控架构的综合能源能量管理系统的预测控制方法，在数据库基础上预测日前和日内的负荷和光伏发电功率，然后建立兼顾系统经济性和储能电池耐久性的日前能量管理模型和日前计划调整最小的日内能量管理模型，降低预测误差对优化效果的影响，保证日前优化计划的有效性，根据通讯协议点表确定下发地址并通过主节点传至从节点，实现能量管理优化控制。
10.进一步地，所述预测控制方法包括以下步骤：
11.步骤s1：基于负荷、光伏发电功率数据库，采用机器学习方法建立预测模型；
12.步骤s2：日前预测负荷和光伏发电功率，根据综合能源系统所在地区分时电价信息，建立兼顾系统经济性和储能电池耐久性的日前能量管理模型；
13.步骤s3：采用改进的灰狼优化算法求解日前能量管理模型，以1h为时间间隔规划未来一天24h的出力计划；
14.步骤s4：基于实时采集的数据进行日内预测，建立以日前计划调整最小的日内能量管理模型，并以15min为时间间隔滚动修正日前计划，优化未来一天96个时段的实时计划。
15.进一步地，步骤s1中，采用统计量分析方法检测负荷和光伏发电功率历史数据中的异常数据，并采用k近邻法修正、相似日数据填充的方法处理异常数据，采用最大最小归一化的方法归一化异常数据处理后的数据；基于时序卷积神经网络，挖掘复杂、非线性的负荷和光伏发电功率时序数据的特征，建立预测模型。
16.进一步地，步骤s2中，所述兼顾系统经济性和储能电池耐久性的日前能量管理模型中，储能电池耐久性的目标函数为：
[0017][0018][0019][0020]
式中，n
life,i
表示储能电池的第i次放电深度后的使用寿命，d
od,i
表示第i次的放电深度，是电池放电量和额定容量的比值，α
1-α5表示拟合参数；λ％(i)表示第i次放电深度的
寿命损耗率，c
uti_bat
表示一个调度周期的储能电池运行损耗成本，n表示一个调度周期内循环放电次数，e
bat
表示储能电池额定容量，δ是储能电池单位造价；
[0021]
根据负荷和光伏发电功率预测模型得到1h间隔、24h时长的日前预测数据，结合当地的分时电价信息，建立兼顾系统经济性和储能电池耐久性的目标函数为：
[0022][0023][0024]cpv_cost
(t)＝ξ
pv
×
p
pv
(t)
[0025]
式中，c
all
表示一个调度周期内系统总的运行成本，p
grid
(t)表示t时刻系统与大电网的交互功率，s
buy
(t)表示t时刻大电网购电电价，s
sell
(t)表示t时刻向大电网售电电价，c
pv_cost
(t)表示t时刻光伏发电维护成本，p
pv
(t)表示t时刻预测的光伏发电功率，ξ
pv
表示光伏发电维护系数；
[0026]
所述日前能量管理模型的约束条件为：
[0027]
(1)功率平衡约束
[0028]
p
load
(t)＝p
pv
(t)+p
bat
(t)+p
grid
(t)
[0029]
式中，p
load
(t)表示t时预测的负荷功率，p
bat
(t)表示t时的储能电池充放电功率；
[0030]
(2)储能电池充放电功率和功率波动约束
[0031][0032]
式中，p
bat_charge_max
表示充电最大功率，p
bat_discharge_max
表示放电最大功率，δp
max
表示功率波动的上限；
[0033]
(3)储能电池荷电状态约束
[0034][0035]
式中，soc
inital
表示储能电池初始荷电状态，soc
min
、soc
max
分别表示储能电池的最小、最大荷电状态，soc
final
表示储能电池一个调度周期后的荷电状态；为保证下一个调度周期储能电池正常使用，需引入始末soc差值约束，ε表示soc始末差值；
[0036]
(4)与电网交互功率约束
[0037]-p
grid_sell_max
＜p
grid
(t)＜p
grid_buy_max
[0038]
式中，p
grid_sell_max
表示与电网交互最大售电功率，p
grid_buy_max
表示与电网交互最大购电功率。
[0039]
进一步地，步骤s3中，采用改进的灰狼优化算法求解日前能量管理模型，优化储能电池充放电功率，具体方法为：
[0040]
初始化改进灰狼优化算法参数，根据模型参数和约束条件初始化一个调度周期内储能电池的充放电功率序列，即改进灰狼优化算法的初始狼群位置；寻优的过程中，确定优化算法的适应度函数，根据初始种群结合目标函数计算适应度数值，确定日前优化目标函
数最低的3个储能电池功率序列；根据最优的这3个方案和其他可行解的位置来更新狼群的新位置即储能电池充放电功率序列；
[0041]
更新过程中，采用非线性收敛因子更新机制，更好的权衡全局探索和局部搜索；狼群猎捕机制即更新储能电池出力计划的过程中，采用基于维度学习的狩猎搜索机制，并将基于维度学习的狩猎搜索机制更新得到的储能电池充放电功率序列和常规的基于最优3个方案更新的结果代入适应度函数，选择迭代下日前优化目标函数最小的；
[0042]
所述改进灰狼优化算法的实现方法为：
[0043]
收敛因子采用非线性的衰减机制，其公式为：
[0044][0045]
式中，表示收敛因子，采用非线性的更新机制，a
inial
和a
final
分别表示收敛因子的初始和末值，t
max
表示最大迭代次数；
[0046]
基于维度学习的狩猎搜索机制更新狼群位置的方法具体如下：
[0047]ri
(t)＝||xi(t)-x
i_gwo
(t+1)||
[0048]
式中，xi(t)表示狼群中第i只狼的第t次迭代所处的位置即第i个储能电池充放电功率序列，x
i_gwo
表示常规gwo更新得到的第i只狼的第t+1次迭代所处的位置，ri(t)表示xi(t)和x
i_gwo
之间的欧几里德距离，xi(t)的邻域ni(t)满足下式：
[0049]
ni(t)＝{xj(t)|di(xi(t),xj(t))≤ri(t),xj(t)∈pop}
[0050]
式中，ni(t)表示满足在ri(t)半径范围内的xi(t)的邻域，di表示xi(t)和xj(t)的欧几里德距离，xj(t)是狼群中某只狼的位置；确定xi(t)的邻域后，进行维度学习，具体公式如下：
[0051]
x
i_dlh,d
(t+1)＝x
i,d
(t)+rand*(x
n,d
(t)-x
r,d
(t))
[0052]
式中，d表示问题维度d中的某一维，d即是储能电池充放电功率序列的长度，x
n,d
(t)表示从邻域内随机选择的某只狼的d维数据，x
r,d
(t)表示狼群内随机选择的某只狼的d维数据，x
i_dlh,d
(t+1)表示多邻域学习的结果；
[0053]
基于维度学习的狩猎搜索机制得到的狼群位置即储能电池的充放电功率序列是x
i_dlh
(t+1)，常规的根据最优的3个解更新得到的位置是x
i_gwo
(t+1)，通过比较两者的适应度函数大小选择最优的；
[0054][0055]
式中，f(*)表示待优化的适应度函数，即能量管理目标函数。
[0056]
进一步地，所述日内能量管理模型为：日内优化过程中以最小调整日前计划为优化目标，根据预测模型预测的15min间隔、时长3h的精度更高的负荷和光伏发电功率，建立日内能量管理模型，其目标函数为：
[0057][0058]
式中，p
grid_s
(k)表示大电网的t时段内第k个15min的功率，p
bat_s
(k)表示储能电池t时段内的第k个15min的充放电功率；μ表示大电网交互功率变化的惩罚因子，(1-μ)表示储
能电池功率变化的惩罚因子；通过调整μ因子，在日内优化过程控制储能电池或者大电网出力来平衡预测误差产生的功率差值；
[0059]
日内能量管理优化模型需要满足的约束条件为：
[0060]
(1)功率平衡约束
[0061]
p
load_s
(k)＝p
pv_s
(k)+p
bat_s
(k)+p
grid_s
(k)
[0062]
式中，p
load_s
(k)表示超短期预测的第k个15min的基础负荷功率，p
pv_s
(k)表示第k个15min的光伏发电功率；
[0063]
(2)储能电池充放电功率、功率波动和soc约束同日前相同；
[0064]
(3)与电网交互功率同日前优化的相同；
[0065]
以15min为周期滚动修正日前计划，具体方法为：首先采用改进灰狼优化算法求解15min时间间隔内的日内能量管理模型，将优化结果的第一个动作通过主节点下发到从节点实现在线优化和控制；然后再下一个15min时间间隔，将上一间隔优化后的系统储能电池实际储量作为反馈，然后主节点通过rs485通信实时采集系统的负荷信息、光伏发电功率、气象参数和储能电池实际储量信息，并将上述信息打包发送到能量管理中心；能量管理中心内的预测模型根据实时采集的信息，预测下一个15min时间间隔、时长3h的负荷和光伏发电功率，建立日内能量管理模型，再次进行优化和下发控制信息；滚动优化96个时段，使得发电单元的总出力与实际负荷需求逐级逼近，保证综合能源系统的稳定运行。
[0066]
与现有技术相比，本发明具有以下有益效果：
[0067]
1、建立包含基于放电深度的储能电池运行损耗成本、电网收购电成本等组成的日前能量管理目标函数，在优化系统经济性的同时兼顾储能电池运行损耗，改善储能电池的使用时间。
[0068]
2、根据日前和日内预测信息建立了多时间尺度的能量管理模型，根据日内精度更高的预测结果，对日前计划进行滚动修正，降低预测信息不确定性的影响，提高了综合能源系统能量管理计划的准确性和可靠性。
[0069]
3、采用融合非线性机制、基于维度学习的狩猎搜索机制的灰狼优化算法求解日前-日内能量管理模型，改善常规算法易陷入局部优化的不足，提升能量管理的优化效果。
附图说明
[0070]
图1为本发明实施例的能量管理系统的结构示意图；
[0071]
图2为本发明实施例的预测控制方法流程示意图；
[0072]
图3为本发明实施例中负荷和光伏发电功率的预测流程图；
[0073]
图4为本发明实施例中预测结果误差图；
[0074]
图5为本发明实施例中日前优化和日内优化关系图；
[0075]
图6为本发明实施例中只考虑经济性的日前能量管理优化结果图；
[0076]
图7为本发明实施例中兼顾系统经济性和储能电池耐久性的日前能量管理优化结果图；
[0077]
图8为本发明实施例中日内能量管理模型优化的结果图。
具体实施方式
[0078]
下面结合附图及实施例对本发明做进一步说明。
[0079]
应该指出，以下详细说明都是示例性的，旨在对本技术提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本技术所属技术领域的普通技术人员通常理解的相同含义。
[0080]
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本技术的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
[0081]
如图1所示，本实施例提供了一种主从控架构的综合能源能量管理系统，包括储能系统、储能变流器、光伏发电设备、光伏逆变器、负荷系统、能量管理控制器和能量管理中心等。所述能量管理控制器为主节点，所述储能变流器、光伏逆变器、负荷系统为从节点，主节点通过rs485接口监测从节点的运行状态并下发信号到从节点，调整储能系统、光伏发电设备的工作状态。所述能量管理中心可通过以太网接收主节点上传的信息，存储于sql数据库，并应用于预测控制方法，以预测日前和日内的负荷和光伏发电功率，建立兼顾系统经济性和储能电池耐久性日前能量管理模型和日前计划调整最小的日内能量管理模型，降低预测误差的影响，保证日前优化计划的有效性。优化结果根据通讯协议点表确定下发地址，通过主节点传至从节点。
[0082]
在本实施例中，所述能量管理控制器通过rs485工业控制总线、modbus rtu通讯协议与储能变流器和光伏逆变器建立通信，用于下发综合能源系统的预测控制的优化结果，统筹电源的出力状况；所述能量管理控制器通过以太网与能量管理中心实现信息交互，将从节点发送的负荷、光伏发电功率、气象数据等上传到能量管理中心的sql sever数据库，用于预测功能。
[0083]
在本实施例中，所述储能变流器和光伏逆变器均包括dc/ac变流器和控制器；所述dc/ac变流器和控制器将产生的直流电能转化为与电网同频、同相的交流电；所述控制器基于dsp控制板开发，通过rs485通讯接收主节点发出的控制指令，并每隔一段时间将信息打包反馈到主节点；所述储能变流器的控制器接收主节点下发的控制信号，采用p/q方式控制储能系统充放电模式和功率大小，执行能量管理优化的结果，同时通过rs485通信与储能系统bms通讯，获取电池组状态信息，实现对电池的保护性充放电；所述光伏逆变器的控制器内嵌入mppt最大功率追踪算法，实现光伏发电设备输出最大发电功率，通过rs485通信与光伏发电设备相连接，获取光伏发电功率等信息。
[0084]
在本实施例中，所述能量管理中心通过以太网与主节点相连接，主节点每隔一段时间将采集的信息打包上传到能量管理中心；所述能量管理中心根据iec60870-104标准通信读取主节点上传的数据并存储于sql sever数据库；所述能量管理中心配置windows操作系统中odbc数据源，使得基于matlab开发的预测控制软件可以连接sql server数据库，实现预测和能量管理优化功能；优化的结果根据modbus协议点表确定需要控制的设备地址，通过主节点下发信号到从节点。
[0085]
如图2所示，本实施例还提供了基于上述主从控架构的综合能源能量管理系统的预测控制方法，在数据库基础上预测日前和日内的负荷和光伏发电功率，然后建立兼顾系
统经济性和储能电池耐久性的日前能量管理模型和日前计划调整最小的日内能量管理模型，降低预测误差对优化效果的影响，保证日前优化计划的有效性，根据通讯协议点表确定下发地址并通过主节点传至从节点，实现能量管理优化控制。该预测控制方法具体包括以下步骤：
[0086]
步骤s1：基于负荷、光伏发电功率数据库，采用机器学习方法建立预测模型；
[0087]
步骤s2：日前预测负荷和光伏发电功率，根据综合能源系统所在地区分时电价信息，建立兼顾系统经济性和储能电池耐久性的日前能量管理模型；
[0088]
步骤s3：采用改进的灰狼优化算法求解日前能量管理模型，以1h为时间间隔规划未来一天24h的出力计划；
[0089]
步骤s4：基于实时采集的数据进行日内预测，建立以日前计划调整最小的日内能量管理模型，并以15min为时间间隔滚动修正日前计划，优化未来一天96个时段的实时计划。
[0090]
如图3所示，为负荷和光伏发电功率的预测流程图。首先获取用于预测的负荷和光伏发电功率历史数据，采用简单统计量分析方法检测异常数据并采用k近邻法修正、相似日数据填充的方法处理异常数据。修复后的数据采用最大最小归一化的方法处理数据，以提升训练速度和预测精度，并将数据集划分为训练集和测试集。
[0091]
针对负荷预测，以过去24时刻的历史负荷数据为输入，以下一个时刻的负荷为输出，经过训练集数据的训练，建立基于时序卷积神经网络的预测模型；针对光伏发电功率预测模型，以关联度高的气象参数为输入，以该时刻的光伏发电功率为输出，经过训练集数据的训练，建立基于时序卷积神经网络的光伏发电功率预测模型。在训练神经网络模型的过程中，学习率、dropout和迭代次数等超参数对模型预测精度影响较高，需要对参数进行调整来确定较高的参数组合，以进一步改善模型的预测效果。
[0092]
在建立的负荷和光伏发电功率预测模型基础上，根据日前预测的负荷和光伏发电功率数据和综合能源系统所在地区的分时电价信息等，建立综合能源系统的日前能量管理模型，其中目标函数兼顾系统经济性和储能电池耐久性。根据储能电池某次循环的放电深度，可以建立描述储能电池剩余寿命的公式，通过量化储能电池每次循环放电深度对使用寿命的影响，结合成本造价可以量化每次循环放电深度造成的成本损耗。
[0093][0094][0095][0096]
式中，n
life,i
表示储能电池的第i次放电深度后的使用寿命，d
od,i
表示第i次的放电深度，是电池放电量和额定容量的比值，α
1-α5表示拟合参数。λ％(i)表示第i次放电深度的寿命损耗率，c
uti_bat
表示一个调度周期的储能电池运行损耗成本，n表示一个调度周期内循环放电次数，e
bat
表示储能电池额定容量，α是储能电池单位造价。
[0097]
进一步地，在构建储能电池运行损耗成本函数后，结合光伏发电设备运行维护费用、与电网售电购电成本，构成系统总运行成本，公式如下：
[0098][0099][0100]cpv_cost
(t)＝ξ
pv
×
p
pv
(t)
[0101]
式中，c
all
表示一个调度周期内系统总的运行成本，调度周期为24h，控制时段为1h，p
grid
(t)表示t时刻系统与大电网的交互功率，s
buy
(t)表示t时刻向大电网购电电价，s
sell
(t)表示t时刻向大电网售电电价，c
pv_cost
(t)表示t时刻光伏发电维护成本，p
pv
(t)表示t时刻光伏发电功率，ξ
pv
表示光伏发电维护系数。
[0102]
进一步地，建立日前能量管理目标函数后，引入功率平衡约束、储能电池充放电功率和功率波动约束、储能电池荷电状态约束和与电网交互功率约束，完善日前能量管理模型。
[0103]
(1)功率平衡约束
[0104]
p
load_base
(t)+p
ev
(t)＝p
pv
(t)+p
bat
(t)+p
grid
(t)
[0105]
式中，p
ev
(t)表示负荷级优化后的t时电动汽车充电负荷，p
load_base
(t)表示t时预测的基础负荷功率。
[0106]
(2)储能电池充放电功率和功率波动约束
[0107][0108]
式中，p
bat_charge_max
表示充电最大功率，p
bat_discharge_max
表示放电最大功率，δp
max
表示功率波动的上限。
[0109]
(3)储能电池荷电状态约束
[0110][0111]
式中，soc
inital
表示储能电池初始荷电状态，soc
min
、soc
max
分别表示储能电池的最小、最大荷电状态，soc
final
表示储能电池一个调度周期后的荷电状态。为保证下一个调度周期储能电池正常使用，需引入始末soc差值约束，ε表示soc始末差值，这里取值为0.05。
[0112]
(4)与电网交互功率约束
[0113]-p
grid_sell_max
＜p
grid
(t)＜p
grid_buy_max
[0114]
式中，p
grid_sell_max
表示与电网交互最大售电功率，p
grid_buy_max
表示与电网交互最大购电功率。
[0115]
如图4所示，为改进灰狼优化算法求解能量管理模型的流程图优化储能电池功率分配。初始化改进灰狼优化算法的种群规模即可行解数量、灰狼位置维度即优化时段数量、迭代次数等算法基本参数。根据模型参数和约束条件初始化一个调度周期内储能电池的充放电功率序列，为待优化的初始种群，如下。
[0116][0117]
式中，z表示即可行解的数量，p
bat_start,z24
表示第z个种群的第24个时刻的储能电池充放电功率。确定优化算法的适应度函数公式是：
[0118][0119]
寻优的过程中，根据初始种群结合目标函数计算适应度数值，确定日前优化目标函数最低的3个储能电池出力计划。根据这最优的3个方案和其他储能电池的可行解来更新下一代储能电池的充放电功率序列。
[0120]
进一步地，更新过程中，采用非线性收敛因子更新机制，更好的权衡全局探索和局部搜索，改善全局优化效果和增强鲁棒性。更新储能电池出力计划的过程中，采用基于维度学习的狩猎搜索机制，并将基于维度学习的狩猎搜索机制更新得到的储能电池出力计划和常规的基于最优3个储能电池出力计划更新的储能电池的充放电功率序列带入适应度函数，选择该迭代下的最优解。
[0121]
判断是否达到最大迭代次数，满足则输出狼群位置作为最优解，作为未来24h的储能电池出力计划，不满足则继续进行迭代优化直到满足终止迭代条件。
[0122]
然后根据改进灰狼优化算法求解日前能量管理模型得到的日前计划，在满足各设备运行状态、保障日前计划、满足给平衡等约束条件下，结合预测模型预测的15min周期、长度为3h的精度更高的负荷和光伏发电功率，以日内优化过程中以最小调整日前计划为优化目标，建立日内能量管理优化模型，目标函数为：
[0123][0124]
式中，p
grid_s
(k)表示大电网的t时段内第k个15min的功率，p
bat_s
(k)表示储能电池t时段内的第k个15min的充放电功率。α表示大电网交互功率变化的惩罚因子，(1-α)表示储能电池功率变化的惩罚因子。通过调整α因子，可以在日内优化过程控制储能电池或者大电网出力来平衡预测误差产生的功率差值。
[0125]
日内能量管理优化模型需要满足的约束条件为：
[0126]
(1)功率平衡约束
[0127]
p
load_s
(k)＝p
pv_s
(k)+p
bat_s
(k)+p
grid_s
(k)
[0128]
式中，p
load_s
(k)表示超短期预测的第k个15min的基础负荷功率，p
pv_s
(k)表示第k个15min的光伏发电功率。
[0129]
(2)储能电池充放电功率、功率波动和soc约束同日前相同。
[0130]
(3)与电网交互功率同日前优化的相同。
[0131]
采用图4中改进灰狼优化算法求解日前能量管理模型的流程，求解15min周期内的日内能量管理模型，将优化结果的第一个动作通过能量管理控制器下发到储能电池逆变器。然后再下一个15min的周期内，将上一周期优化后系统储能电池的实际储量作为反馈，
能量管理控制器通过rs485通讯实时采集系统的负荷信息、光伏发电功率、气象参数和储能电池实际储量信息，并将上述信息打包发送到能量管理中心。能量管理中心内的预测模型根据实时采集的信息，预测下一个15min周期、长度为3h的负荷和光伏发电功率，建立日内能量管理模型，进行优化和下发控制信息。因此滚动优化96个时段，使得发电单元的总出力与实际负荷需求逐级逼近，保证综合能源系统的安全稳定地运行。
[0132]
图5所示，为日前能量管理优化和日内能量管理优化的关系。日前能量管理优化阶段特征在于所述的优化周期为24h，根据建立的预测模型迭代预测的日前负荷和光伏发电功率，结合当地的分时电价信息和考虑各供电单元的技术特性在满足综合能源系统内的约束条件下，求解兼顾系统经济性和储能电池耐久性的出力计划。优化过程以1h为间隔且每个优化间隔内储能电池等供电单元的功率视作不发生变化的变量。但是日前预测精度随时间的增加逐渐下降，所述日前优化结果无法满足实际综合能源系统需求，需要进行滚动修正负荷和光伏发电功率的预测结果，进行日内能量管理优化。所述日内能量管理优化根据时间尺度为3h的超短期高精度预测信息，以最小化日前计划为目标，在满足功率平衡、供电单元出力限制等约束条件，以15min为周期进行滚动优化，滚动修正出力电源接下来时刻的出力安排，使得发电单元的总出力与实际发电需求逐级逼近，保证微电网安全稳定地运行。
[0133]
图4所示，为时序卷积神经网络、长短期记忆神经网络和反向传播神经网络的日前负荷预测误差图。从图中结果可见，所采用的基于时序卷积神经网络预测方法预测精度相比于另外两个神经网络更优，预测结果更加贴近于实际曲线。
[0134]
图6所示，为只考虑经济性的日前能量管理模型优化的结果图。在凌晨低电价时段，由大电网满足负荷需求，储能电池会购买低电价的电网电能存储。在第一个峰值电价时段，由光伏发电功率满足负荷需求，剩余的光伏电能由储能电池存储和向电网售电来获取高电价收益。下午低电价时段，光伏发电功率较低，由电网补充剩余电能，储能电池会继续购买低电价的电网电能。在晚间电价峰值时段，储能电池提供大量电能减少从电网购买的峰值电价电能，实现系统经济性的改善。
[0135]
图7所示，为兼顾系统经济性和储能电池耐久性的日前能量管理模型优化的结果图。图中可见，储能电池同样可以在低电价时段充电、高电价时段放电，并且相比于未考虑储能电池耐久性的优化结果，这种方式减少了储能电池的功率波动程度，降低了大功率的放电时间。为进一步比较所提兼顾系统经济性和储能电池耐久性的日前能量管理模型的优势，下表为优化结果对比：
[0136][0137]
储能电池的损耗成本降低13507元，下降69.32％，耐久性提升69.32％。考虑储能运行损耗的系统售购电运行成本权重下降，相比于未考虑储能的成本增加6910元，但是系统总运行成本147361元，比未考虑储能耐久性的下降6595元，下降4.28％。
[0138]
图8所示，为日内能量管理模型优化的结果图，上面的图为储能电池日前和日内计划，下图为与大电网交互功率的日前和日内计划。相比于日前计划，日内计划调整更佳频繁，但整体基本贴近日前计划，并且系统总运行成本148829元，系相比于日前全局优化，仅
增加0.098％，保证日前的有效性。
[0139]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0140]
本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0141]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0142]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0143]
以上所述，仅是本发明的较佳实施例而已，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。

技术特征：
1.一种主从控架构的综合能源能量管理系统，其特征在于，包括储能系统、储能变流器、光伏发电设备、光伏逆变器、负荷系统、能量管理控制器和能量管理中心等；所述能量管理控制器为主节点，所述储能变流器、光伏逆变器、负荷系统为从节点，主节点通过rs485接口监测从节点的运行状态并下发信号到从节点，调整储能系统、光伏发电设备的工作状态；所述能量管理中心通过以太网接收主节点上传的信息，并存储于sql数据库。2.根据权利要求1所述的主从控架构的综合能源能量管理系统，其特征在于，所述能量管理控制器通过rs485工业控制总线、modbus rtu通讯协议与储能变流器和光伏逆变器建立通信，用于下发综合能源系统的预测控制的优化结果，统筹电源的出力状况；所述能量管理控制器通过以太网与能量管理中心实现信息交互，将从节点发送的负荷、光伏发电功率、气象数据上传到能量管理中心的sql sever数据库，用于预测功能。3.根据权利要求1所述的主从控架构的综合能源能量管理系统，其特征在于，所述储能变流器和光伏逆变器均包括dc/ac变流器和控制器；所述dc/ac变流器和控制器将产生的直流电能转化为与电网同频、同相的交流电；所述控制器基于dsp控制板开发，通过rs485通讯接收主节点发出的控制指令，并每隔一段时间将信息打包反馈到主节点；所述储能变流器的控制器接收主节点下发的控制信号，采用p/q方式控制储能系统充放电模式和功率大小，执行能量管理优化的结果，同时通过rs485通信与储能系统bms通讯，获取电池组状态信息，实现对电池的保护性充放电；所述光伏逆变器的控制器内嵌入mppt最大功率追踪算法，实现光伏发电设备输出最大发电功率，通过rs485通信与光伏发电设备相连接，获取光伏发电功率等信息。4.根据权利要求1所述的主从控架构的综合能源能量管理系统，其特征在于，所述能量管理中心通过以太网与主节点相连接，主节点每隔一段时间将采集的信息打包上传到能量管理中心；所述能量管理中心根据iec60870-104标准通信读取主节点上传的数据并存储于sql sever数据库；所述能量管理中心配置windows操作系统中odbc数据源，使得基于matlab开发的预测控制软件可以连接sql server数据库，实现预测和能量管理优化功能；优化的结果根据modbus协议点表确定需要控制的设备地址，通过主节点下发信号到从节点。5.基于权利要求1-4任一项所述主从控架构的综合能源能量管理系统的预测控制方法，其特征在于，在数据库基础上预测日前和日内的负荷和光伏发电功率，然后建立兼顾系统经济性和储能电池耐久性的日前能量管理模型和日前计划调整最小的日内能量管理模型，降低预测误差对优化效果的影响，保证日前优化计划的有效性，根据通讯协议点表确定下发地址并通过主节点传至从节点，实现能量管理优化控制。6.根据权利要求5所述的预测控制方法，其特征在于，包括以下步骤：步骤s1：基于负荷、光伏发电功率数据库，采用机器学习方法建立预测模型；步骤s2：日前预测负荷和光伏发电功率，根据综合能源系统所在地区分时电价信息，建立兼顾系统经济性和储能电池耐久性的日前能量管理模型；步骤s3：采用改进的灰狼优化算法求解日前能量管理模型，以1h为时间间隔规划未来一天24h的出力计划；步骤s4：基于实时采集的数据进行日内预测，建立以日前计划调整最小的日内能量管理模型，并以15min为时间间隔滚动修正日前计划，优化未来一天96个时段的实时计划。
7.根据权利要求6所述的预测控制方法，其特征在于，步骤s1中，采用统计量分析方法检测负荷和光伏发电功率历史数据中的异常数据，并采用k近邻法修正、相似日数据填充的方法处理异常数据，采用最大最小归一化的方法归一化异常数据处理后的数据；基于时序卷积神经网络，挖掘复杂、非线性的负荷和光伏发电功率时序数据的特征，建立预测模型。8.根据权利要求6所述的预测控制方法，其特征在于，步骤s2中，所述兼顾系统经济性和储能电池耐久性的日前能量管理模型中，储能电池耐久性的目标函数为：和储能电池耐久性的日前能量管理模型中，储能电池耐久性的目标函数为：和储能电池耐久性的日前能量管理模型中，储能电池耐久性的目标函数为：式中，n
life,i
表示储能电池的第i次放电深度后的使用寿命，d
od,i
表示第i次的放电深度，是电池放电量和额定容量的比值，α
1-α5表示拟合参数；λ％(i)表示第i次放电深度的寿命损耗率，c
uti_bat
表示一个调度周期的储能电池运行损耗成本，n表示一个调度周期内循环放电次数，e
bat
表示储能电池额定容量，δ是储能电池单位造价；根据负荷和光伏发电功率预测模型得到1h间隔、24h时长的日前预测数据，结合当地的分时电价信息，建立兼顾系统经济性和储能电池耐久性的目标函数为：分时电价信息，建立兼顾系统经济性和储能电池耐久性的目标函数为：c
pv_cost
(t)＝ξ
pv
×
p
pv
(t)式中，c
all
表示一个调度周期内系统总的运行成本，p
grid
(t)表示t时刻系统与大电网的交互功率，s
buy
(t)表示t时刻大电网购电电价，s
sell
(t)表示t时刻向大电网售电电价，c
pv_cost
(t)表示t时刻光伏发电维护成本，p
pv
(t)表示t时刻预测的光伏发电功率，ξ
pv
表示光伏发电维护系数；所述日前能量管理模型的约束条件为：(1)功率平衡约束p
load
(t)＝p
pv
(t)+p
bat
(t)+p
grid
(t)式中，p
load
(t)表示t时预测的负荷功率，p
bat
(t)表示t时的储能电池充放电功率；(2)储能电池充放电功率和功率波动约束式中，p
bat_charge_max
表示充电最大功率，p
bat_discharge_max
表示放电最大功率，δp
max
表示功率波动的上限；(3)储能电池荷电状态约束
式中，soc
inital
表示储能电池初始荷电状态，soc
min
、soc
max
分别表示储能电池的最小、最大荷电状态，soc
final
表示储能电池一个调度周期后的荷电状态；为保证下一个调度周期储能电池正常使用，需引入始末soc差值约束，ε表示soc始末差值；(4)与电网交互功率约束-p
grid_sell_max
＜p
grid
(t)＜p
grid_buy_max
式中，p
grid_sell_max
表示与电网交互最大售电功率，p
grid_buy_max
表示与电网交互最大购电功率。9.根据权利要求6所述的预测控制方法，其特征在于，步骤s3中，采用改进的灰狼优化算法求解日前能量管理模型，优化储能电池充放电功率，具体方法为：初始化改进灰狼优化算法参数，根据模型参数和约束条件初始化一个调度周期内储能电池的充放电功率序列，即改进灰狼优化算法的初始狼群位置；寻优的过程中，确定优化算法的适应度函数，根据初始种群结合目标函数计算适应度数值，确定日前优化目标函数最低的3个储能电池功率序列；根据最优的这3个方案和其他可行解的位置来更新狼群的新位置即储能电池充放电功率序列；更新过程中，采用非线性收敛因子更新机制，更好的权衡全局探索和局部搜索；狼群猎捕机制即更新储能电池出力计划的过程中，采用基于维度学习的狩猎搜索机制，并将基于维度学习的狩猎搜索机制更新得到的储能电池充放电功率序列和常规的基于最优3个方案更新的结果代入适应度函数，选择迭代下日前优化目标函数最小的；所述改进灰狼优化算法的实现方法为：收敛因子采用非线性的衰减机制，其公式为：式中，表示收敛因子，采用非线性的更新机制，a
inial
和a
final
分别表示收敛因子的初始和末值，t
max
表示最大迭代次数；基于维度学习的狩猎搜索机制更新狼群位置的方法具体如下：r
i
(t)＝||x
i
(t)-x
i_gwo
(t+1)||式中，x
i
(t)表示狼群中第i只狼的第t次迭代所处的位置即第i个储能电池充放电功率序列，x
i_gwo
表示常规gwo更新得到的第i只狼的第t+1次迭代所处的位置，r
i
(t)表示x
i
(t)和x
i_gwo
之间的欧几里德距离，x
i
(t)的邻域n
i
(t)满足下式：n
i
(t)＝{x
j
(t)|d
i
(x
i
(t),x
j
(t))≤r
i
(t),x
j
(t)∈pop}式中，n
i
(t)表示满足在r
i
(t)半径范围内的x
i
(t)的邻域，d
i
表示x
i
(t)和x
j
(t)的欧几里德距离，x
j
(t)是狼群中某只狼的位置；确定x
i
(t)的邻域后，进行维度学习，具体公式如下：x
i_dlh,d
(t+1)＝x
i,d
(t)+rand*(x
n,d
(t)-x
r,d
(t))式中，d表示问题维度d中的某一维，d即是储能电池充放电功率序列的长度，x
n,d
(t)表示从邻域内随机选择的某只狼的d维数据，x
r,d
(t)表示狼群内随机选择的某只狼的d维数据，x
i_dlh,d
(t+1)表示多邻域学习的结果；
基于维度学习的狩猎搜索机制得到的狼群位置即储能电池的充放电功率序列是x
i_dlh
(t+1)，常规的根据最优的3个解更新得到的位置是x
i_gwo
(t+1)，通过比较两者的适应度函数大小选择最优的；式中，f(*)表示待优化的适应度函数，即能量管理目标函数。10.根据权利要求6所述的预测控制方法，其特征在于，步骤s4中，所述日内能量管理模型为：日内优化过程中以最小调整日前计划为优化目标，根据预测模型预测的15min间隔、时长3h的精度更高的负荷和光伏发电功率，建立日内能量管理模型，其目标函数为：式中，p
grid_s
(k)表示大电网的t时段内第k个15min的功率，p
bat_s
(k)表示储能电池t时段内的第k个15min的充放电功率；μ表示大电网交互功率变化的惩罚因子，(1-μ)表示储能电池功率变化的惩罚因子；通过调整μ因子，在日内优化过程控制储能电池或者大电网出力来平衡预测误差产生的功率差值；日内能量管理优化模型需要满足的约束条件为：(1)功率平衡约束p
load_s
(k)＝p
pv_s
(k)+p
bat_s
(k)+p
grid_s
(k)式中，p
load_s
(k)表示超短期预测的第k个15min的基础负荷功率，p
pv_s
(k)表示第k个15min的光伏发电功率；(2)储能电池充放电功率、功率波动和soc约束同日前相同；(3)与电网交互功率同日前优化的相同；以15min为周期滚动修正日前计划，具体方法为：首先采用改进灰狼优化算法求解15min时间间隔内的日内能量管理模型，将优化结果的第一个动作通过主节点下发到从节点实现在线优化和控制；然后再下一个15min时间间隔，将上一间隔优化后的系统储能电池实际储量作为反馈，然后主节点通过rs485通信实时采集系统的负荷信息、光伏发电功率、气象参数和储能电池实际储量信息，并将上述信息打包发送到能量管理中心；能量管理中心内的预测模型根据实时采集的信息，预测下一个15min时间间隔、时长3h的负荷和光伏发电功率，建立日内能量管理模型，再次进行优化和下发控制信息；滚动优化96个时段，使得发电单元的总出力与实际负荷需求逐级逼近，保证综合能源系统的稳定运行。

技术总结
本发明涉及一种主从控架构的综合能源能量管理系统及预测控制方法，该系统包括储能系统、储能变流器、光伏发电设备、光伏逆变器、负荷系统、能量管理控制器和能量管理中心等；能量管理控制器为主节点，储能变流器、光伏逆变器、负荷系统为从节点，主节点监测从节点的运行状态并下发信号到从节点，调整储能系统、光伏发电设备的工作状态；能量管理中心接收主节点上传的信息，并存储于数据库。该方法在数据库基础上预测日前和日内的负荷和光伏发电功率，建立兼顾系统经济性和储能电池耐久性的日前能量管理模型和日前计划调整最小的日内能量管理模型，通过主节点传至从节点，实现能量管理优化控制。该系统及方法有利于提高能量管理的优化效果。理的优化效果。理的优化效果。


技术研发人员：王亚雄 余庆港 范依莹 林良光 欧凯
受保护的技术使用者：福州大学
技术研发日：2023.07.31
技术公布日：2023/9/14