园区新能源储能系统的调度方法、装置、设备及存储介质与流程

1.本发明涉及配电系统优化调度技术领域，具体地涉及一种园区新能源储能系统的调度方法、一种园区新能源储能系统的调度装置、一种电子设备及一种计算机可读存储介质。


背景技术：

2.随着新能源渗透率和可控负荷规模的日益增加，电网调峰形势愈加严峻，配电网的分布式特性愈发明显，传统配电网逐渐演变成为调度资源丰富的、可对分布式发电、柔性负荷和储能三者进行主动控制和主动管理的主动配电系统。有效利用主动配电系统内分布式能源和负荷间的互动，一方面可以实现系统自身安全经济运行，另一方面用来解决电网调峰需求，增强电力系统的可靠性和可控性。因此，对电力系统的优化调度问题进行深入研究，具有重要的理论意义和应用价值。
3.目前，主要通过以下几种方法进行优化调度：(1)通过双层预测发电功率和负荷功率，调控储能系统功率，实现负荷的响应；(2)以风机24小时96点的功率预测未基本数据，以风储联合出力波动率最小为优化目标进行优化；(3)采用滚动窗口技术，采用改进的共生生物搜索算法反复进行局部优化，使系统成本最低，但第(1)种方法着重进行光伏出力的预测，对于储能调度描述较少，模型比较简单，缺少明确的优化方法和实施场景；第(2)种方法对风机的24小时功率预测往往不准，存在偏差，因此根据预测数据优化并不能保证结果最优；(3)由于过于追求局部的最优而导致总体效益相对较低，同时优化流程对计算机资源要求较高。
4.总的来说，现有的配电系统调度优化方案不仅无法针对园区和新能源运行的场景进行优化调度，还无法通过对24小时发电功率进行准确地预测，以此来获得更低的每日电费成本。


技术实现要素：

5.本发明实施例的目的是提供一种园区新能源储能系统的调度方法、装置、设备及存储介质，以解决现有的配电系统调度优化方案不仅无法针对园区和新能源运行的场景进行优化调度，还无法通过对24小时发电功率进行准确地预测，以此来获得更低的每日电费成本的问题。
6.为了实现上述目的，本发明实施例提供一种园区新能源储能系统的调度方法，包括：
7.获取园区新能源储能系统的未来24小时内的多个时段的电力负荷和发电功率的预测值；
8.利用群智能算法，对所述未来24小时内的多个时段的电力负荷和发电功率的预测值进行优化求解，得到初步优化调度后的未来24小时内的多个时段的充放电功率；
9.利用当前时段之后4小时内的多个时段的发电功率的预测值和当前时段之前的多
个时段的实际发电功率，对所述初步优化调度后的未来24小时内的多个时段的充放电功率进行更新，得到更新后的未来24小时内的多个时段的充放电功率；
10.利用群智能算法，对所述更新后的未来24小时内的多个时段的充放电功率和当前时段的储能系统的剩余容量进行优化求解，得到最终优化调度后的未来24小时内的多个时段的充放电功率。
11.可选地，所述园区新能源储能系统的未来24小时内的多个时段的电力负荷的预测值通过以下方式得到：
12.获取当日的工作人数、工作计划、天气数据和日期类型；
13.将所述当日的工作人数、工作计划、天气数据和日期类型输入电力负荷预测模型，得到所述园区新能源储能系统的未来24小时内的多个时段的电力负荷的预测值。
14.可选地，所述电力负荷预测模型通过以下方式得到：
15.获取历史某一日内的工作人数、工作计划、天气数据和日期类型和多个时段的实际电力负荷；
16.利用所述历史某一日内的工作人数、工作计划、天气数据和日期类型对所述预先构建的时序模型进行训练，并在所述时序模型预测出的历史某一日的未来24小时内的多个时段的电力负荷等于所述历史某一日内的多个时段的实际电力负荷时，获得所述电力负荷预测模型。
17.可选地，所述将所述当日的工作人数、工作计划、天气数据和日期类型输入电力负荷预测模型，得到所述园区新能源储能系统的未来24小时内的多个时段的电力负荷的预测值的步骤之前，所述方法还包括：
18.对所述当日的工作人数、工作计划、天气数据和日期类型进行预处理；其中，所述预处理包括：降噪处理和归一化处理。
19.可选地，所述方法还包括：
20.利用公式(1)，对所述最终优化调度后的未来24小时内的多个时段的充放电功率和多个时段的时长分别进行计算，得到未来24小时内的多个时段的储能系统的充电放电电量；
[0021][0022]
其中，me表示未来24小时内的每个时段的充电放电电量；表示未来24小时内的每个时段的充电功率，为正值；表示未来24小时内的每个时段的放电功率，为负值；δt表示未来24小时内的每个时段的时长；
[0023]
利用公式(2)，对未来24小时内的多个时段的储能系统运维成本、园区向电网售电度电收益、园区向电网售电电量、园区从电网购电度电成本、园区从电网购电电量和所述未来24小时内的多个时段的储能系统的充电放电电量分别进行计算，得到未来24小时内的多个时段的电费之和；
[0024]
f＝min{∑[abmb+aem
e-a
sms
]}
ꢀꢀ
(2)；
[0025]
其中，f表示未来24小时内的多个时段的电费之和；ae表示未来24小时内的每个时段的储能系统运维成本；me表示未来24小时内的每个时段的储能系统充放电电量；as表示未
来24小时内的每个时段的园区向电网售电度电收益；ms表示未来24小时内的每个时段的园区向电网售电电量；ab表示未来24小时内的每个时段的园区从电网购电度电成本；mb表示未来24小时内的每个时段的园区从电网购电电量。
[0026]
在本发明实施方式的第二方面，提供一种园区新能源储能系统的调度装置，包括：
[0027]
数据获取模块，用于获取园区新能源储能系统的未来24小时内的多个时段的电力负荷和发电功率的预测值；
[0028]
第一计算模块，用于利用群智能算法，对所述未来24小时内的多个时段的电力负荷和发电功率的预测值进行优化求解，得到初步优化调度后的未来24小时内的多个时段的充放电功率；
[0029]
数据更新模块，用于利用当前时段之后4小时内的多个时段的发电功率的预测值和当前时段之前的多个时段的实际发电功率，对所述初步优化调度后的未来24小时内的多个时段的充放电功率进行更新，得到更新后的未来24小时内的多个时段的充放电功率；
[0030]
第二计算模块，用于利用群智能算法，对所述更新后的未来24小时内的多个时段的充放电功率和当前时段的储能系统的剩余容量进行优化求解，得到最终优化调度后的未来24小时内的多个时段的充放电功率。
[0031]
可选地，所述数据获取模块具体用于：
[0032]
获取当日的工作人数、工作计划、天气数据和日期类型；
[0033]
将所述当日的工作人数、工作计划、天气数据和日期类型输入电力负荷预测模型，得到所述园区新能源储能系统的未来24小时内的多个时段的电力负荷的预测值。
[0034]
可选地，所述装置还包括：
[0035]
电量计算模块，用于利用公式(1)，对所述最终优化调度后的未来24小时内的多个时段的充放电功率和多个时段的时长分别进行计算，得到未来24小时内的多个时段的储能系统的充电放电电量；
[0036][0037]
其中，me表示未来24小时内的每个时段的充电放电电量；表示未来24小时内的每个时段的充电功率，为正值；表示未来24小时内的每个时段的放电功率，为负值；δt表示未来24小时内的每个时段的时长；
[0038]
电费计算模块，用于利用公式(2)，对未来24小时内的多个时段的储能系统运维成本、园区向电网售电度电收益、园区向电网售电电量、园区从电网购电度电成本、园区从电网购电电量和所述未来24小时内的多个时段的储能系统的充电放电电量分别进行计算，得到未来24小时内的多个时段的电费之和；
[0039]
f＝min{∑[abmb+aem
e-a
sms
]}
ꢀꢀ
(2)；
[0040]
其中，f表示未来24小时内的多个时段的电费之和；ae表示未来24小时内的每个时段的储能系统运维成本；me表示未来24小时内的每个时段的储能系统充放电电量；as表示未来24小时内的每个时段的园区向电网售电度电收益；ms表示未来24小时内的每个时段的园区向电网售电电量；ab表示未来24小时内的每个时段的园区从电网购电度电成本；mb表示未来24小时内的每个时段的园区从电网购电电量。
[0041]
在本发明实施方式的第三方面，提供一种电子设备，包括：处理器和存储器，所述存储器存储有所述处理器可执行的机器可读指令，所述机器可读指令被所述处理器执行时执行上述的园区新能源储能系统的调度方法。
[0042]
在本发明实施方式的第四方面，提供一种计算机可读存储介质，该计算机可读存储介质上存储有指令，该指令用于使得机器执行上述的园区新能源储能系统的调度方法。
[0043]
在本发明实施例中，通过利用群智能算法，对园区新能源储能系统的未来24小时内的多个时段的电力负荷和发电功率的预测值进行优化求解，得到初步优化调度后的未来24小时内的多个时段的充放电功率，然后利用当前时段之后4小时的多个时段的发电功率的预测值和当前时段之前的多个时段的实际发电功率对初步优化调度后的未来24小时内的多个时段的充放电功率进行更新，得到更新后的未来24小时内的多个时段的充放电功率，然后利用群智能算法，对更新后的未来24小时内的多个时段的充放电功率和当前时段的储能系统的剩余容量进行优化求解，得到最终优化调度后的多个时段的充放电功率，实现了对初步优化调度后未来24小时内的多个时段的充放电功率进行修正更新，获得了准确的未来24小时内的多个时段的充放电功率。
[0044]
本发明实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
[0045]
附图是用来提供对本发明实施例的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明实施例，但并不构成对本发明实施例的限制。在附图中：
[0046]
图1是本发明实施例提供的园区新能源储能系统的调度方法的流程示意图；
[0047]
图2是本发明实施例提供的哈里斯鹰算法的流程示意图；
[0048]
图3是本发明实施例提供的实际电力负荷与预测电力负荷的曲线对比图；
[0049]
图4是本发明实施例提供的长短期记忆网络的结构示意图；
[0050]
图5是本发明实施例提供的园区新能源未配置储能系统的理论和实际取电电量的曲线图；
[0051]
图6是本发明实施例提供的对园区新能源储能系统只进行初步优化调度后的理论和实际取电电量的曲线图以及充放电功率的曲线图；
[0052]
图7是本发明实施例提供的采用园区新能源储能系统的调度方法后的理论和实际取电电量的曲线图以及充放电功率的曲线图；
[0053]
图8是本发明实施例提供的园区新能源储能系统的调度装置的结构示意图。
具体实施方式
[0054]
以下结合附图对本发明实施例的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明实施例，并不用于限制本发明实施例。
[0055]
除非另有定义，本文所使用的所有的技术和科学术语与属于本技术的技术领域的技术人员通常理解的含义相同；本文中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本技术。
[0056]
在本技术实施例的描述中，技术术语“第一”、“第二”等仅用于区别不同对象，而不
能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量、特定顺序或主次关系。在本技术实施例的描述中，“多个”的含义是两个以上，除非另有明确具体的限定。
[0057]
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
[0058]
请参照图1，图1是本发明实施例提供的园区新能源储能系统的调度方法的流程示意图，该方法包括以下步骤：
[0059]
s100，获取园区新能源储能系统的未来24小时内的多个时段的电力负荷和发电功率的预测值；
[0060]
可理解的是，本发明实施例的应用场景为园区+新能源，而园区+新能源配置有储能系统。
[0061]
园区是指是指政府集中统一规划指定区域，区域内专门设置某类特定行业、形态的企业、公司等进行统一管理，它包括但不限于办公园区、工业园区，自贸园区，产业园区，动漫园区等等。
[0062]
新能源包括但不限于风力发电、光伏发电等等。
[0063]
具体地，将未来24小时等比例划分为多个时间段，其中，等比例包括但不限于24、48和96。例如：1440分钟(24h)
÷
24＝60分钟，也即是以60分钟为一个单位，因此包括24个时段；1440分钟(24h)
÷
48＝30分钟，也即是以30分钟为一个单位，因此包括48个时段；1440分钟(24h)
÷
96＝15分钟，也即是以15分钟为一个单位，因此包括96个时段。
[0064]
电力负荷，也称“用电负荷”，在本发明实施例中是指电能用户的用电设备在某一时刻向储能系统取用的电功率的总和。
[0065]
发电功率在本发明实施例中是指是指储能系统在单位时间内所做的功的多少。
[0066]
在一实施例中，发电功率的预测值可通过新能源系统获取得到，由于新能源系统中的发电功率的预测值是通过相应的算法进行预测得到，属于较为成熟的技术，所以通过新能源系统能够得到准确的发电功率的预测值，对于发电功率的预测方法本发明实施例对此不做具体限定，可根据实际应用需求进行灵活选择。
[0067]
s200，利用群智能算法，对未来24小时内的多个时段的电力负荷和发电功率的预测值进行优化求解，得到初步优化调度后的未来24小时内的多个时段的充放电功率；
[0068]
群智能算法是指一类受昆虫、兽群、鸟群和鱼群等的群体行为启发而设计出来的具有分布式智能行为特征的一些智能算法，用于求最优解，它包括但不限于粒子群算法、蚂蚁算法和哈里斯鹰算法，本发明实施例对此不做具体限定，可根据实际应用需求进行灵活选择。
[0069]
需要说明的是，为了对未来24小时内的多个时段的电力负荷和发电功率的预测值进行优化求解，所以需要设置目标函数和约束条件，目标函数为优化求解的目标，约束条件则是为了决定上限值和下限值，其中，目标函数的计算公式如公式(2)所示，约束条件的计算公式如公式(3)、(4)和(5)所示：
[0070]
f＝min{∑[abmb+aem
e-a
sms
]}
ꢀꢀ
(2)；
[0071]
其中，f表示未来24小时内的多个时段的电费之和；ae表示未来24小时内的每个时段的储能系统运维成本；me表示未来24小时内的每个时段的储能系统充放电电量；as表示未来24小时内的每个时段的园区向电网售电度电收益；ms表示未来24小时内的每个时段的园区向电网售电电量；ab表示未来24小时内的每个时段的园区从电网购电度电成本；mb表示未来24小时内的每个时段的园区从电网购电电量；
[0072]
荷电状态约束条件的计算公式如下：
[0073][0074]
其中，soc(t)表示每个时段的下一时段的结束时的荷电状态；soc(t-1)表示每个时段的结束时的荷电状态；δ表示每个时段的储能电池的自放电率；η表示每个时段的储能电池的充电电效率；表示储能电池每个时段的充电功率，为正值；表示储能电池每个时段的放电功率，为负值；δt表示每个时段之间的时间间隔；eb表示每个时段的储能系统额定容量；soc
min
表示允许的最小荷电状态；soc
max
表示允许的最大荷电状态；
[0075]
平衡功率约束条件的计算公式如下：
[0076]
ps+p
b-p
l
＝0
ꢀꢀ
(4)；其中，ps表示每个时段的新能源的发电功率，恒为正值；pb表示每个时段的储能电池的功率，充电时为正值，放电时为负值；p
l
表示每个时段的负荷功率，恒为正值；
[0077]
最大充放电功率约束条件的计算公式如下：
[0078]
其中，表示储能系统允许的最大充放电功率。
[0079]
群智能算法以哈里斯鹰算法为例，以下进行详细说明：
[0080]
哈里斯鹰算法主要分为全局搜索和局部开发两个阶段，主要流程可参照图2所示：
[0081]
一、在全局搜索阶段，哈里斯鹰会随机分布位置，并且通过以下两种策略更新位置：
[0082][0083]
其中，t表示当前的迭代次数；x(t)表示哈里斯鹰的位置向量；x
rand
(t)表示从鹰群中选择的随机个体；xm(t)表示鹰群的平均位置；x
prey
(t)表示猎物的位置；ri和q表示处于(0,1)之前的随机数；lb表示变量值的上限；ub表示变量值的下限。
[0084]
xm(t)的计算如公式(7)所示：
[0085]
其中，n表示鹰群众哈里斯鹰的数量。
[0086]
然后，哈里斯鹰会根据猎物逃逸所需要的能量来决定是否进入局部开发阶段或继
续进行全局搜素，逃逸能量的计算如公式(8)所示：
[0087][0088]
其中，e0表示猎物的初始能量，-1≤e0≤1；t表示迭代次数。
[0089]
当|e|＞1时，哈里斯鹰仍停留在全局搜索阶段，而不会进入后续的局部开发阶段。
[0090]
二、在布局开发阶段，哈里斯鹰根据猎物逃逸能量e和逃逸概率r来判断需要采用的行动，可以分为软包围、硬包围、渐进式快速俯冲的软包围和渐进式快速俯冲的硬包围四种策略。
[0091]
1、当|e|≥0.5且r≥0.5时，采用软包围策略，按照公式(9)进行更新：
[0092][0093]
其中，δx(t)表示猎物和当前位置的差值；j＝2(1-ri)；表示猎物逃逸过程中的跳跃距离；ri表示处于(0,1)之前的随机数。
[0094]
2、当|e|＜0.5且r≥0.5时，采用硬包围策略，按照公式(10)进行更新：
[0095]
x(t+1)＝x
prey
(t)-e|δx(t)
ꢀꢀ
(10)。
[0096]
3、当|e|≥0.5且r＜0.5时，采用渐进式快速俯冲的软包围策略，此时的位置更新可分为两种：
[0097]
第一种可理解为猎物未逃跑，按照公式(11)进行更新：
[0098]
y＝x
prey
(t)-e|jx
prey
(t)-x(t)
ꢀꢀ
(11)；其中，y表示更新的位置。
[0099]
第二种可理解为当猎物逃跑时，通过下潜来靠近猎物，按照公式(12)进行更新：
[0100]
z＝y+s
×
levy(d)
ꢀꢀ
(12)；其中，z表示更新的位置；s表示一个1x d的随机向量；d表示问题的维度；levy(d)模型飞行动作的飞行方程；
[0101]
levy(d)可通过公式(13)进行计算：
[0102]
其中，μ和v表示位于(0，1)之间的随机数；β表示一个常数，为1.5
[0103]
σ可通过公式(14)进行计算：
[0104][0105]
最后，综合上述两种位置更新方法，渐进式快速俯冲的软包围的位置更新需要按照(15)进行：
[0106]
其中，f(y)和f(z)表示目标函数值。
[0107]
4、当|e|＜0.5且r＜0.5时，采用渐进式快速俯冲的硬包围策略，按照公式(16)进行更新：
[0108]
y＝x
prey
(t)-e|jx
prey
(t)-xm(t)
ꢀꢀ
(15)；
[0109]
z＝y+s
×
levy(d)
ꢀꢀ
(12)。
[0110]
s300，利用当前时段之后4小时内的多个时段的发电功率的预测值和当前时段之前的多个时段的实际发电功率，对初步优化调度后的未来24小时内的多个时段的充放电功率进行更新，得到更新后的未来24小时内的多个时段的充放电功率；
[0111]
为了便于理解，以下进行举例说明：
[0112]
假设未来24小时被等比例划分为96个时段，当前时段为i，当前时段之后4小时内的多个时段的结束时段为j，则[0，i]时段采用当前时段之前的多个时段的实际发电功率，[i，j]时段采用当前时段之后4小时内的多个时段的发电功率的预测值，[j，96]时段采用未来24小时的内的多个时段的充放电功率，最终得到更新后的未来24小时的内的多个时段的充放电功率。
[0113]
s400，利用群智能算法，对更新后的未来24小时内的多个时段的充放电功率和当前时段的储能系统的剩余容量进行优化求解，得到最终优化调度后的未来24小时内的多个时段的充放电功率。
[0114]
剩余容量在本发明实施例中是指储能系统在经过一定时间的使用后剩余的容量大小。
[0115]
在本实施例中，通过利用群智能算法，对园区新能源储能系统的未来24小时内的多个时段的电力负荷和发电功率的预测值进行优化求解，得到初步优化调度后的未来24小时内的多个时段的充放电功率，然后利用当前时段之后4小时的多个时段的发电功率的预测值和当前时段之前的多个时段的实际发电功率对初步优化调度后的未来24小时内的多个时段的充放电功率进行更新，得到更新后的未来24小时内的多个时段的充放电功率，然后利用群智能算法，对更新后的未来24小时内的多个时段的充放电功率和当前时段的储能系统的剩余容量进行优化求解，得到最终优化调度后的多个时段的充放电功率，实现了对初步优化调度后未来24小时内的多个时段的充放电功率进行修正更新，获得了准确的未来24小时内的多个时段的充放电功率。
[0116]
可选地，园区新能源储能系统的未来24小时内的多个时段的电力负荷的预测值通过以下方式得到：
[0117]
s1、获取当日的工作人数、工作计划、天气数据和日期类型；
[0118]
s2、将当日的工作人数、工作计划、天气数据和日期类型输入电力负荷预测模型，得到园区新能源储能系统的未来24小时内的多个时段的电力负荷的预测值。
[0119]
工作人数包括但不限于到岗人数和到岗人员类型。
[0120]
工作计划包括但不限于大型设备开机计划。
[0121]
天气数据包括但不限于最高温度、最低温度和湿度。
[0122]
日期类型包括但不限于工作日和非工作日。
[0123]
电力负荷预测模型是指利用当日的工作人数、工作计划、天气数据和日期类型对预先构建的时序模型进行训练完成后而得到的模型。
[0124]
具体地，通过图3可以看出，将工作人数、工作计划、天气数据和日期类型作为电力负荷预测模型的输入，这使得电力负荷预测模型预测出的电力负荷与实际电力负荷几乎接近。
[0125]
在本实施例中，通过将工作人数、工作计划、天气数据和日期类型作为电力负荷预测模型的输入，使得预测出的电力负荷更加准确。
[0126]
可选地，电力负荷预测模型通过以下方式得到：
[0127]
第一步：获取历史某一日内的工作人数、工作计划、天气数据和日期类型和多个时段的实际电力负荷；
[0128]
第二步：利用历史某一日内的工作人数、工作计划、天气数据和日期类型对预先构建的时序模型进行训练，并在时序模型预测出的历史某一日的未来24小时内的多个时段的电力负荷等于历史某一日内的多个时段的实际电力负荷时，获得电力负荷预测模型。
[0129]
可理解的是，我们需要对历史某一日工作人数、工作计划、天气数据和日期类型进行训练，从而预测出电力负荷，也即可以理解为时间序列的预测。因此为了解决长序列训练过程中的梯度消失和梯度爆炸问题，所以本发明实施例采用了时序模型。
[0130]
时序模型包括但不限于长短期记忆网络、循环神经网络、门控循环单元网络。
[0131]
时序模型以长短期记忆网络为例，以下进行说明：
[0132]
参照图4，图4是本发明实施例提供的长短期记忆网络的结构示意图。
[0133]
长短期记忆网络(long short-term memory，lstm)是一种改进的时间循环神经网络，它包括遗忘门、输入门和输出门，3个门的输出分别连接到1个乘法单元上，从而分别控制网络的输入、输出以及细胞单元的状态，能够使网络更好、更快地收敛，提高电力负荷预测的精度。
[0134]
在本实施例中，通过利用历史某一日内的工作人数、工作计划、天气数据和日期类型对预先构建的时序模型进行训练，以得电力负荷预测模型，使得能够在实际应用时，能够直接对园区新能源储能系统的未来24小时内的电力负荷进行预测。
[0135]
可选地，上述步骤s1之前还包括：
[0136]
对当日的工作人数、工作计划、天气数据和日期类型进行预处理；其中，预处理包括：降噪处理和归一化处理。
[0137]
在算法模型领域中，数据清洗过程又被称为“特征工程”，常用的手段有根据相关性选择特征、根据离散程度去噪、数据归一化等，其目的在于提升数据的数据质量，更加合理地利用各个特征预测出较为准确的结果，或者拟合出精度较高的模型，因此本实施例通过降噪处理和归一化处理来对数据进行预处理。
[0138]
具体地，利用最小二乘法分别对工作人数、工作计划、天气数据和日期类型进行拟合，每种数据都设置一个偏离的阈值h，并将样本值与拟合值偏差超过阈值h的点作为噪点，并删掉。其中，阈值h根据工作人数、工作计划、天气数据和日期类型来决定该值的大小。
[0139]
具体地，将降噪处理后的工作人数、工作计划、天气数据和日期类型进行归一化处理，即每种数据均除以该数据中出现的最大值。通过归一化处理，能够拉平各种数据的值域均保持在同一个范围区间，避免由于各个数据之间值域相差较大所引起的模型参数集中问题，提升模型最终的预测效果。
[0140]
在本实施例中，由于通过对获取的当日的工作人数、工作计划、天气数据和日期类型进行降噪处理和归一化处理，使得数据的质量得到了保证，从而为电力负荷预测模型提供了有利的输入条件，致使多个电力负荷预测模型输出的结果的准确度更高。
[0141]
可选地，上述步骤s400之后，还可以包括以下步骤：
[0142]
s1，利用公式(1)，对最终优化调度后的未来24小时内的多个时段的充放电功率和多个时段的时长分别进行计算，得到未来24小时内的多个时段的储能系统的充电放电电量；
[0143][0144]
其中，me表示未来24小时内的每个时段的充电放电电量；表示未来24小时内的每个时段的充电功率，为正值；表示未来24小时内的每个时段的放电功率，为负值；δt表示未来24小时内的每个时段的时长；
[0145]
s2，利用公式(2)，对未来24小时内的多个时段的储能系统运维成本、园区向电网售电度电收益、园区向电网售电电量、园区从电网购电度电成本、园区从电网购电电量和未来24小时内的多个时段的储能系统的充电放电电量分别进行计算，得到未来24小时内的多个时段的电费之和；
[0146]
f＝min{∑[abmb+aem
e-a
sms
]}
ꢀꢀ
(2)；
[0147]
其中，f表示未来24小时内的多个时段的电费之和；ae表示未来24小时内的每个时段的储能系统运维成本；me表示未来24小时内的每个时段的储能系统充放电电量；as表示未来24小时内的每个时段的园区向电网售电度电收益；ms表示未来24小时内的每个时段的园区向电网售电电量；ab表示未来24小时内的每个时段的园区从电网购电度电成本；mb表示未来24小时内的每个时段的园区从电网购电电量。
[0148]
以本发明实施例提供的园区新能源储能系统的调度方法为例，实际取电电量下的电费计算表格如下(表格内负值是向电网反送电，反送电量无收益)：
[0149]
[0150]
[0151][0152]
为了便于理解，以下结合附图5-7进行具体说明：
[0153]
参照如5、6和7，图5是本发明实施例提供的园区新能源未配置储能系统的理论和实际取电电量的曲线图；图6是本发明实施例提供的对园区新能源储能系统只进行初步优化调度后的理论和实际取电电量的曲线图以及充放电功率的曲线图；图7是本发明实施例提供的采用园区新能源储能系统的调度方法后的理论和实际取电电量的曲线图以及充放电功率的曲线图。
[0154]
在不配置储能系统的情况下，园区新能源每天预测出的电费约为8433元，实际电费约为7748元，从电网取电量的曲线如图6所示。
[0155]
假设园区新能源配置有300kw、600kwh的储能系统，在对未来24小时内的每个时段的发电负荷和发电功率的预测值进行优化调度，每天园区理论电费约8085元，实际电费7383元，从电网取电量的曲线和充放电功率曲线如图7所示。
[0156]
假设园区新能源配置有300kw、600kwh的储能系统，在对未来24小时内的每个时段的发电负荷和发电功率的预测值进行初步优化调度后，然后再结合当前时段之后4小时内的多个时段的发电功率和当前时段之前的多个时段的发电功率对初步优化调度的未来24小时内的每个时段的发电负荷和发电功率的预测值进行更新，最后再结合当前时段的储能
系统的剩余容量进行再次优化调度，每天园区理论电费约8082元，实际电费7166元，从电网取电量的曲线和充放电功率曲线如图8所示。
[0157]
综上所述，通过对比可知，本发明实施例提供的园区新能源储能系统的调度方法，相较不配储能系统的方案，电费下降了约582元，相较只对未来24小时内的每个时段的发电负荷和发电功率的预测值进行优化调度的方案，电费下降了约217元。由此，可以知道本发明实施提供通过利用当前时段之后4小时内的多个时段的发电功率和当前时段之前的多个时段的发电功率对初步优化调度后的未来24小时内的每个时段的发电负荷和发电功率的预测值进行更新，得到了更加准确的充放电功率，从而使得园区新能源的每日电费成本更低。
[0158]
在本实施例中，通过利用公式(1)和(2)，计算出了储能系统未来24小时内的多个时段的电费之和，而计算出的储能系统未来24小时内的多个时段的电费之和相比较现有的优化调度方案的电费更低，也即通过数据说明了本发明实施例提供的园区新能源储能系统的调度方法能够更好地对园区新能源的充放电功率进行优化调度，能够获得更低的每日电费成本。
[0159]
基于同样的发明构思，本发明实施例还提供一种园区新能源储能系统的调度装置200，其特征在于，包括：
[0160]
请参照图8，图8是本发明实施例提供的一种园区新能源储能系统的调度装置结构示意图。
[0161]
数据获取模块210，用于获取园区新能源储能系统的未来24小时内的多个时段的电力负荷和发电功率的预测值；
[0162]
第一计算模块220，用于利用群智能算法，对未来24小时内的多个时段的电力负荷和发电功率的预测值进行优化求解，得到初步优化调度后的未来24小时内的多个时段的充放电功率；
[0163]
数据更新模块230，用于利用当前时段之后4小时内的多个时段的发电功率的预测值和当前时段之前的多个时段的实际发电功率，对初步优化调度后的未来24小时内的多个时段的充放电功率进行更新，得到更新后的未来24小时内的多个时段的充放电功率；
[0164]
第二计算模块240，用于利用群智能算法，对更新后的未来24小时内的多个时段的充放电功率和当前时段的储能系统的剩余容量进行优化求解，得到最终优化调度后的未来24小时内的多个时段的充放电功率。
[0165]
可选地，数据获取模块220具体用于：
[0166]
获取当日的工作人数、工作计划、天气数据和日期类型；
[0167]
将当日的工作人数、工作计划、天气数据和日期类型输入电力负荷预测模型，得到园区新能源储能系统的未来24小时内的多个时段的电力负荷的预测值。
[0168]
可选地，园区新能源储能系统的调度装置200还包括：
[0169]
电量计算模块250，用于利用公式(1)，对最终优化调度后的未来24小时内的多个时段的充放电功率和多个时段的时长分别进行计算，得到未来24小时内的多个时段的储能系统的充电放电电量；
[0170][0171]
其中，me表示未来24小时内的每个时段的充电放电电量；表示未来24小时内的每个时段的充电功率，为正值；表示未来24小时内的每个时段的放电功率，为负值；δt表示未来24小时内的每个时段的时长；
[0172]
电费计算模块260，用于利用公式(2)，对未来24小时内的多个时段的储能系统运维成本、园区向电网售电度电收益、园区向电网售电电量、园区从电网购电度电成本、园区从电网购电电量和未来24小时内的多个时段的储能系统的充电放电电量分别进行计算，得到未来24小时内的多个时段的电费之和；
[0173]
f＝min{∑[abmb+aem
e-a
sms
]}
ꢀꢀ
(2)；
[0174]
其中，f表示未来24小时内的多个时段的电费之和；ae表示未来24小时内的每个时段的储能系统运维成本；me表示未来24小时内的每个时段的储能系统充放电电量；as表示未来24小时内的每个时段的园区向电网售电度电收益；ms表示未来24小时内的每个时段的园区向电网售电电量；ab表示未来24小时内的每个时段的园区从电网购电度电成本；mb表示未来24小时内的每个时段的园区从电网购电电量。
[0175]
应理解的是，该装置与上述的园区新能源储能系统的调度方法实施例对应，能够执行上述方法实施例涉及的各个步骤，该装置具体的功能可以参见上文中的描述，为避免重复，此处适当省略详细描述。该装置包括至少一个能以软件或固件(firmware)的形式存储于存储器中或固化在装置的操作系统(operating system，os)中的软件功能模块。
[0176]
基于同样的发明构思，本发明实施例还提供一种电子设备，该电子设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。
[0177]
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)。存储器是计算机可读介质的示例。
[0178]
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
[0179]
基于同样的发明构思，本发明实施例还提供一种计算机可读存储介质，该计算器可读存储介质上存储有指令，该指令用于在被处理器执行时，适于执行有如下方法步骤的程序：获取园区新能源储能系统的未来24小时内的多个时段的电力负荷和发电功率的预测值；利用群智能算法，对未来24小时内的多个时段的电力负荷和发电功率的预测值进行优化求解，得到初步优化调度后的未来24小时内的多个时段的充放电功率；利用当前时段之后4小时内的多个时段的发电功率的预测值和当前时段之前的多个时段的实际发电功率，
对初步优化调度后的未来24小时内的多个时段的充放电功率进行更新，得到更新后的未来24小时内的多个时段的充放电功率；利用群智能算法，对更新后的未来24小时内的多个时段的充放电功率和当前时段的储能系统的剩余容量进行优化求解，得到最终优化调度后的未来24小时内的多个时段的充放电功率。
[0180]
在一个实施例中，上述园区新能源储能系统的调度方法还包括：获取当日的工作人数、工作计划、天气数据和日期类型；将当日的工作人数、工作计划、天气数据和日期类型输入电力负荷预测模型，得到园区新能源储能系统的未来24小时内的多个时段的电力负荷的预测值。
[0181]
在一个实施例中，上述园区新能源储能系统的调度方法还包括：获取历史某一日内的工作人数、工作计划、天气数据和日期类型和多个时段的实际电力负荷；利用历史某一日内的工作人数、工作计划、天气数据和日期类型对预先构建的时序模型进行训练，并在时序模型预测出的历史某一日的未来24小时内的多个时段的电力负荷等于历史某一日内的多个时段的实际电力负荷时，获得电力负荷预测模型。
[0182]
在一个实施例中，上述园区新能源储能系统的调度方法还包括：利用公式(1)，对最终优化调度后的未来24小时内的多个时段的充放电功率和多个时段的时长分别进行计算，得到未来24小时内的多个时段的储能系统的充电放电电量；其中，me表示未来24小时内的每个时段的充电放电电量；表示未来24小时内的每个时段的充电功率，为正值；表示未来24小时内的每个时段的放电功率，为负值；δt表示未来24小时内的每个时段的时长；利用公式(2)，对未来24小时内的多个时段的储能系统运维成本、园区向电网售电度电收益、园区向电网售电电量、园区从电网购电度电成本、园区从电网购电电量和未来24小时内的多个时段的储能系统的充电放电电量分别进行计算，得到未来24小时内的多个时段的电费之和；f＝max{∑[a
sms-abm
b-aeme]}
ꢀꢀ
(2)；其中，f表示未来24小时内的多个时段的电费之和；ae表示未来24小时内的每个时段的储能系统运维成本；me表示未来24小时内的每个时段的储能系统充放电电量；as表示未来24小时内的每个时段的园区向电网售电度电收益；ms表示未来24小时内的每个时段的园区向电网售电电量；ab表示未来24小时内的每个时段的园区从电网购电度电成本；mb表示未来24小时内的每个时段的园区从电网购电电量。
[0183]
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。
[0184]
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。
[0185]
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。
[0186]
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。
[0187]
另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本发明实施例对各种可能的组合方式不再另行说明。
[0188]
另外，在本技术实施例各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
[0189]
以上仅为本技术的实施例而已，并不用于限制本技术。对于本领域技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本技术的权利要求范围之内。

技术特征：
1.一种园区新能源储能系统的调度方法，其特征在于，包括：获取园区新能源储能系统的未来24小时内的多个时段的电力负荷和发电功率的预测值；利用群智能算法，对所述未来24小时内的多个时段的电力负荷和发电功率的预测值进行优化求解，得到初步优化调度后的未来24小时内的多个时段的充放电功率；利用当前时段之后4小时内的多个时段的发电功率的预测值和当前时段之前的多个时段的实际发电功率，对所述初步优化调度后的未来24小时内的多个时段的充放电功率进行更新，得到更新后的未来24小时内的多个时段的充放电功率；利用群智能算法，对所述更新后的未来24小时内的多个时段的充放电功率和当前时段的储能系统的剩余容量进行优化求解，得到最终优化调度后的未来24小时内的多个时段的充放电功率。2.根据权利要求1所述的园区新能源储能系统的调度方法，其特征在于，所述园区新能源储能系统的未来24小时内的多个时段的电力负荷的预测值通过以下方式得到：获取当日的工作人数、工作计划、天气数据和日期类型；将所述当日的工作人数、工作计划、天气数据和日期类型输入电力负荷预测模型，得到所述园区新能源储能系统的未来24小时内的多个时段的电力负荷的预测值。3.根据权利要求2所述的园区新能源储能系统的调度方法，其特征在于，所述电力负荷预测模型通过以下方式得到：获取历史某一日内的工作人数、工作计划、天气数据和日期类型和多个时段的实际电力负荷；利用所述历史某一日内的工作人数、工作计划、天气数据和日期类型对所述预先构建的时序模型进行训练，并在所述时序模型预测出的历史某一日的未来24小时内的多个时段的电力负荷等于所述历史某一日内的多个时段的实际电力负荷时，获得所述电力负荷预测模型。4.根据权利要求2所述的园区新能源储能系统的调度方法，其特征在于，所述将所述当日的工作人数、工作计划、天气数据和日期类型输入电力负荷预测模型，得到所述园区新能源储能系统的未来24小时内的多个时段的电力负荷的预测值的步骤之前，所述方法还包括：对所述当日的工作人数、工作计划、天气数据和日期类型进行预处理；其中，所述预处理包括：降噪处理和归一化处理。5.根据权利要求1所述的园区新能源储能系统的调度方法，其特征在于，所述方法还包括：利用公式(1)，对所述最终优化调度后的未来24小时内的多个时段的充放电功率和多个时段的时长分别进行计算，得到未来24小时内的多个时段的储能系统的充电放电电量；其中，m
e
表示未来24小时内的每个时段的充电放电电量；表示未来24小时内的每个时段的充电功率，为正值；表示未来24小时内的每个时段的放电功率，为负值；δt表示
未来24小时内的每个时段的时长；利用公式(2)，对未来24小时内的多个时段的储能系统运维成本、园区向电网售电度电收益、园区向电网售电电量、园区从电网购电度电成本、园区从电网购电电量和所述未来24小时内的多个时段的储能系统的充电放电电量分别进行计算，得到未来24小时内的多个时段的电费之和；f＝min{∑[a
b
m
b
+a
e
m
e-a
s
m
s
]}
ꢀꢀ
(2)；其中，f表示未来24小时内的多个时段的电费之和；a
e
表示未来24小时内的每个时段的储能系统运维成本；m
e
表示未来24小时内的每个时段的储能系统充放电电量；a
s
表示未来24小时内的每个时段的园区向电网售电度电收益；m
s
表示未来24小时内的每个时段的园区向电网售电电量；a
b
表示未来24小时内的每个时段的园区从电网购电度电成本；m
b
表示未来24小时内的每个时段的园区从电网购电电量。6.一种园区新能源储能系统的调度装置，其特征在于，包括：数据获取模块，用于获取园区新能源储能系统的未来24小时内的多个时段的电力负荷和发电功率的预测值；第一计算模块，用于利用群智能算法，对所述未来24小时内的多个时段的电力负荷和发电功率的预测值进行优化求解，得到初步优化调度后的未来24小时内的多个时段的充放电功率；数据更新模块，用于利用当前时段之后4小时内的多个时段的发电功率的预测值和当前时段之前的多个时段的实际发电功率，对所述初步优化调度后的未来24小时内的多个时段的充放电功率进行更新，得到更新后的未来24小时内的多个时段的充放电功率；第二计算模块，用于利用群智能算法，对所述更新后的未来24小时内的多个时段的充放电功率和当前时段的储能系统的剩余容量进行优化求解，得到最终优化调度后的未来24小时内的多个时段的充放电功率。7.根据权利要求1所述的园区新能源储能系统的调度装置，其特征在于，所述数据获取模块具体用于：获取当日的工作人数、工作计划、天气数据和日期类型；将所述当日的工作人数、工作计划、天气数据和日期类型输入电力负荷预测模型，得到所述园区新能源储能系统的未来24小时内的多个时段的电力负荷的预测值。8.根据权利要求1所述的园区新能源储能系统的调度装置，其特征在于，所述装置还包括：电量计算模块，用于利用公式(1)，对所述最终优化调度后的未来24小时内的多个时段的充放电功率和多个时段的时长分别进行计算，得到未来24小时内的多个时段的储能系统的充电放电电量；其中，m
e
表示未来24小时内的每个时段的充电放电电量；表示未来24小时内的每个时段的充电功率，为正值；表示未来24小时内的每个时段的放电功率，为负值；δt表示未来24小时内的每个时段的时长；
电费计算模块，用于利用公式(2)，对未来24小时内的多个时段的储能系统运维成本、园区向电网售电度电收益、园区向电网售电电量、园区从电网购电度电成本、园区从电网购电电量和所述未来24小时内的多个时段的储能系统的充电放电电量分别进行计算，得到未来24小时内的多个时段的电费之和；f＝min{∑[a
b
m
b
+a
e
m
e-a
s
m
s
]}
ꢀꢀ
(2)；其中，f表示未来24小时内的多个时段的电费之和；a
e
表示未来24小时内的每个时段的储能系统运维成本；m
e
表示未来24小时内的每个时段的储能系统充放电电量；a
s
表示未来24小时内的每个时段的园区向电网售电度电收益；m
s
表示未来24小时内的每个时段的园区向电网售电电量；a
b
表示未来24小时内的每个时段的园区从电网购电度电成本；m
b
表示未来24小时内的每个时段的园区从电网购电电量。9.一种电子设备，其特征在于，包括：处理器和存储器，所述存储器存储有所述处理器可执行的机器可读指令，所述机器可读指令被所述处理器执行时执行权利要求1-7中任一项所述的园区新能源储能系统的调度方法。10.一种计算机可读存储介质，其特征在于，该计算机可读存储介质上存储有指令，该指令用于使得机器执行权利要求1-7中任一项所述的园区新能源储能系统的调度方法。

技术总结
本发明实施例提供一种园区新能源储能系统的调度方法、装置、设备及存储介质，属于配电系统优化调度技术领域。所述方法包括：利用群智能算法，对未来一日内的多个时段的电力负荷和发电功率的预测值进行优化求解，得到初步优化调度后的多个时段的充放电功率；利用当前时段之后4小时的多个时段的发电功率的预测值和当前时段之前的多个时段的实际发电功率进行更新，得到更新后的多个时段的充放电功率；利用群智能算法，对更新后的多个时段的充放电功率和当前时段的储能系统的剩余容量进行优化求解，得到最终优化调度后的多个时段的充放电功率。本发明通过对初步优化调度后的多个时段的充放电功率进行修正更新，获得了准确的多个时段的充放电功率。时段的充放电功率。时段的充放电功率。


技术研发人员：苏新凯 孙振新 何鲲 陈彦桥 杜昊易 张玉魁 陈换军 刘辉 陶冶
受保护的技术使用者：国家能源集团新能源技术研究院有限公司
技术研发日：2023.01.14
技术公布日：2023/6/26