[发明专利]基于机器学习的储能类设备功率优化管理系统的过滤器

说明书

本发明提出一种基于机器学习的储能类设备功率优化管理系统的过滤器，其可以过滤不满足安全性的SOC指令，过滤部分具有波动性的SOC指令，过滤不满足用户满意度的SOC指令。本发明的过滤器应用在基于机器学习技术生成调度方案之后，在具体实现时只需在原有程序中增加逻辑判断与赋值语句，对内存占用少，对生成结果的时间影响很小，不会对功率优化管理系统的在线运行时间带来明显的延时；其不依赖于特定的机器学习模式与SLDs的类型，是针对多个SLDs所设计；其各个步骤之间相对独立，可以根据系统的使用需求进行相应的调整。

技术领域

本发明属于电力系统优化调度领域，具体涉及一种基于机器学习的储能类设备功率优化管理系统的过滤器。

背景技术

随着近年来计算机算力的进步，结合大数据技术，应用机器学习等数据驱动模型的智能运算技术已大规模的应用在各类电力系统的优化和计算问题中。通过对海量数据间信息的挖掘，应用机器学习技术能够实现具有快速性与一定准确度的问题求解。

如今，机器学习技术也在储能类设备(Storage-like devices，SLDs)的功率优化管理上取得了初步的应用。SLDs包括传统的储能系统(energy storage system,ESS)以及具有储能性质的其它设备，典型地，有电动汽车(electric vehicle，EV)。由于SLDs具有强大的充放电灵活性，它们广泛地被应用于电力系统需求侧响应，通过电价的引导SLDs的出力，可以达到节约用电成本、优化负荷曲线的目的。

基于机器学习技术的SLDs功率优化管理上的应用多以ESS为主，鲜有EV，通过对储能类设备功率优化管理系统建模，再运用机器学习技术求解实现对SLDs的在线功率管理。机器学习技术的求解模式为：离线学习基于历史数据的输入量与决策变量之间的映射关系，利用这一映射关系在线确定SLDs的功率。决策变量一般为功率或是SLDs的电量状态(state of charge，SOC)。建立离线学习过程使得SLDs功率优化管理系统在在线决策时无需直接求解底层优化问题，但也能够考虑系统的长期状态，从而能够快速地执行调度，大大减轻了在线计算时系统的计算负担。

然而，在现有的初步应用中，由于存在以下三方面的原因，在决策性能上还不够完善。

一是，基于机器学习的决策结果存在一定的随机性，在在线决策时，决策结果可能存在一定的波动。以SOC为决策变量为例，当SOC曲线出现一些微小的波动时，这些细微的差异将直接影响功率的正负性与大小，从而导致优化功率结果不尽人意。

二是一些安全性约束的满足无法保证。系统的安全性约束包括如功率上下限、SOC的上下限等在运用机器学习的求解过程中，最终下达的功率或SOC指令时根据对历史最优解中数据的学习而形成的，尽管在历史数据的优化求解过程中已经加入了强制性的安全性约束，但机器学习的学习效果并不能达到百分之百的识别并满足这些安全性约束，尽管目前机器学习的性能较好，结果基本不会偏离这样的安全性约束，但在缺乏强制性约束的情况下仍然存在越界的可能。

三是一些与用户满意度相关的约束无法保证。用户满意度约束通常可以包括：电量需求约束，如电动汽车在充电后需要达到满足行驶需求的电量；或是一些特定的用户设置的个性化约束，如储能系统在每一天结束时功率回到0.5以保证第二天应用时的上下调节裕度。与上述第2点的原因相似，通过对海量数据的学习，机器学习的决策结果可能能够上满足这些约束，但仍然缺乏一个强制性的约束予以保障。考虑到在需求侧响应项目中，用户的需求、满意度关系到用户参与调度的积极性，因此满足这类约束也是十分重要的。

综上所述，为了确保这些越界与波动不会发生，本发明为基于机器学习的储能类设备功率优化管理系统设计了一个过滤器，从而提高基于机器学习的储能类设备功率优化管理系统的有效性与可靠性。

发明内容

本发明的目的在于针对基于机器学习的储能类设备功率优化管理系统提供一种约束决策结果波动性、避免安全性越界与用户满意度约束越界的过滤器，从而提高基于机器学习的储能类设备功率优化管理系统的有效性与可靠性。