基于变步长预测与在线动态非线性规划的CAT蓄电池储能系统调度

可再生动力渗透率的提高%% 加剧了电力体系中的调峰问题。为应对这一应战，电池储能体系电池储能体系(BESS)已成为要害处理计划。但是受限于BESS容量，无限制充放电并不可行。现有短期规划战略忽视该要素，导致BESS呈现满充或欠充状况，然后影响后续规划。对此，本文提出依据变步长猜测的在线更新动态非线性规划算法(OUDNLP-VSP)，旨在最小化电网功率波动。该算法分为两阶段施行：日前阶段选用卷积神经网络依据卷积神经网络（CNN）和长短期回忆网络（LSTM）的猜测模型被用于获取次日近似读档曲线，该曲线随后用于拟定充放电战略。在日内阶段，该猜测模型经过猜测下一时刻步的读档值，完成对日前阶段所树立充放电战略的实时优化。Neural Network (CNN) and Long Short-Term Memory (LSTM) Network based forecasting model is utilized to obtain an approximate load profile for the following day, which is then used to formulate a charging/discharging strategy. In the intraday phase, the forecasting model is employed to predict the load value for the next time step, which can enable real-time optimization of the charging/discharging strategy established in the day-ahead phase.

引言

近年来，风力发电[1]与光伏体系[2]的激增导致传统电力体系[3]固有的调峰与备用才能继续削弱。此外，随着新动力汽车市场规模的快速扩张，电动汽车充电需求的倍增形成了严峻应战，特别是在电力需求顶峰时段叠加大规模电动汽车充电负荷的情况下[4]。电池储能体系（BESS）因其快速双向调节呼应才能和强壮的短期功率调制才能，已成为应对这些应战的有用东西[5]。凭借其灵活的充放电功能，BESS可在电力需求顶峰时段开释能量，在低谷时段吸收能量，然后改善电力供需失衡问题[6]。因而，很多学者已开端探求BESS的使用范畴。
如文献[7]所示，研讨首先构建了时机束缚优化模型，随后将其转化为混合整数二次束缚规划问题。经过求解该优化模型，取得能使收益最大化的BESS充放电战略。文献[[8], [9], [10]]指出，BESS在光伏体系中得到使用，其充放电战略的拟定需综合考虑光伏体系无功补偿和有功调节的需求。在风能范畴，文献[11]研讨了使用电池储能体系（BESS）为风电场提供转速康复能量的使用计划。该研讨依据不同转速操控BESS的充放电战略。如文献[12]所示，学者提出了一种依据电价需求呼应与BESS的两阶段和谐优化办法，旨在完成总运转本钱最小化并提高运转可靠性。该计划中，BESS被用于补偿电价猜测差错。
如文献[13]所述，研讨者开发了一种滚动时域能量平衡战略，用于呼应随机主动发电操控信号来拟定BESS的操控决策。此外，文献[14]报导显示，Zahra选用燃料电池存储可再生动力，并以BESS作为辅助支撑。当可再生动力发电量超出燃料电池容量上限时，BESS进行充电；反之，当可再生动力发电量缺乏时，BESS施行放电。另据文献[15]论述，该研讨提出在用电低谷期操控BESS充电，以帮忙电网在顶峰期进行削峰，并在此过程中完成套利。
但是，上述研讨仅依据电池储能体系（BESS）的当时状况拟定优化战略。这将导致BESS在前一时段已完全充电或放电的情况，然后使其在后续时段无法进行充放电操作。针对这一问题，B. Wang等学者开展了深入研讨。如文献[16]所示，他们提出在前一日确认荷电状况（SOC）区间，随后依据次日实践工况在这些区间内对BESS进行优化。由文献[17]可知，研讨者在预先设定SOC区间阶段时，额外考虑了电价要素。此外，如文献[18]所示，他们还将新动力相关要素纳入优化结构。
部分研讨聚集于最小化从公用电网获取的峰值能量，并探求如何拟定电池储能体系充放电战略。如文献[19]所示，该研讨提出了一种依据动态需求和馈入限制的最优规矩型削峰操控战略，用于确认电池日前充放电战略。该战略旨在最小化从公用电网获取的峰值能量。如文献[20]指出，该研讨提出了一种考虑日前光伏功率与读档需求猜测、以及日负荷曲线限制的最优规矩型操控战略，用以确认电池充放电最优战略，其方针为最小化峰值需求。文献[21]描述了一种依据规矩的削峰办法，经过拟定电池储能体系充放电战略来下降柴油发电机额定功率。这些研讨均提出了依据规矩的战略用于确认电池储能体系充放电战略。如文献[22]所示，研讨者提出了一种依据优化规矩的削峰战略，旨在下降年度动力本钱。但是，这些研讨均依据实践读档波形开展，而此类数据在实践工程场景中往往难以获取。
事实上，在实践工程使用中，咱们仅能获取猜测的未来波形。如文献[23]所示，该研讨提出了一种经过超级电容器使用完成净读档猜测差错补偿的新办法。但是，其优化标准局限于小时等级，未能延伸到更长时刻标准以拟定更合理的充放电战略。更重要的是，其猜测差错并非由猜测模型得出，而是直接给定的。因而，在研讨猜测差错补偿之前，有必要先开展读档猜测的相关研讨。
现有文献中识别出的研讨空白可归纳如下：

• Research gap 1: Most of the existing studies focus on developing BESS charge/discharge strategies based on actual data. However, in practical applications, it is impossible to know the actual future data. Therefore, from an engineering application perspective, BESS charge/discharge strategies should be developed based on predicted data.
• Research gap 2: There will always be deviations between predicted data and actual data, and how to better handle these deviations is an issue that needs to be addressed. Existing algorithms do not consider this problem from a holistic perspective, but instead, they develop charge/discharge strategies from a local perspective. Additionally, efforts should be made to reduce forecast errors as much as possible from the perspective of the prediction algorithm.

为填补研讨空白1，本文使用读档猜测技术依据历史数据猜测未来读档数据。针对研讨空白2，选用在线更新的动态非线性规划算法，从大局角度下降猜测差错的负面影响。最后经过变步长猜测战略进一步减小猜测差错。
表I汇总了研讨焦点范畴内已有文献及其局限性。可见现在尚无相似本研讨分两阶段进行读档猜测并补偿猜测差错的文献。
次日电力负荷猜测可选用短期负荷猜测(STLF)技术[24]，并依据猜测成果拟定电池储能体系(BESS)操控战略。传统STLF办法包含自回归积分滑动均匀模型[25]和回归剖析[26]。因为深度学习(DL)具有处理大规模高度非线性数据的才能，近年来已逐渐成为STLF范畴的干流办法[27]。
如文献[28]所示，读档被分解为高频重量与低频重量。研讨选用回归剖析法猜测低频重量，一起运用长短期回忆网络（LSTM）猜测高频重量。此外，文献[29]将电力读档数据从一维序列转换为三维图画，随后选用循环神经网络（RNN）进行猜测。据文献[30]所述，Z. Zhang使用迁移学习处理数据稀缺场景下的读档猜测问题。但是这些文献仅聚集于猜测阶段，并未深入探求如何使用猜测成果。
现在将电力负荷猜测技术与BESS充放电战略优化算法相结合的研讨较少，且现有研讨仍存在优化空间。LSTM作为RNN的变体，旨在处理RNN存在的长期依赖问题[31]。文献[32]选用LSTM猜测次日光伏发电曲线，并据此拟定BESS充放电战略。但是，该办法未能处理当实践曲线与猜测曲线存在误差时，如何调整和优化既定战略的问题。此外，尽管该办法选用LSTM进行短期负荷猜测（STLF），但现在已有猜测精度优于LSTM的模型。因而，在猜测精度方面仍存在改进空间。
卷积神经网络(CNN)由Yann LeCun等人于1989年提出，其创意来源于生物视觉处理机制[33]。CNN在图画识别、方针检测和图画生成等任务中取得了明显成功。部分研讨者也测验将CNN使用于时刻序列猜测范畴，但实践观测发现其猜测功能不如LSTM。
为应对猜测差错导致的优化误差，本研讨挑选从提高猜测精度和实时差错批改两个维度打开探求。为完成该方针，选用猜测精度优于LSTM的CNN-LSTM模型进行STLF，一起提出OUDNLP-VSP算法，结合单步与96步猜测成果对电池储能体系（BESS）充放电战略进行实时优化。本研讨的首要立异点如下：

• 1)
  The adoption of BESS charge and discharge strategy is formulated based on predicted waveforms rather than given load waveforms, which significantly enhances the practical significance of the strategies.
• 2)
  CNN-LSTM is employed to forecast the load values for the next time step as well as the load curve for the following day. To the best of the author's knowledge, this work is the first to combine CNN-LSTM-based single-step and multi-step predictions to formulate BESS charge and discharge strategy.
• 3)
  To minimize control errors resulting from prediction inaccuracies and aiming to minimize grid fluctuations, Online Updating Dynamic Nonlinear Programming Algorithm based on Variable-Step Prediction (OUDNLP-VSP) is proposed.