本發(fā)明涉及微電網(wǎng)儲能，更具體地說，本發(fā)明涉及基于多目標(biāo)優(yōu)化的微電網(wǎng)儲能放電深度控制方法及系統(tǒng)。

背景技術(shù)：

1、微電網(wǎng)是指一個能夠獨(dú)立或與主電網(wǎng)并網(wǎng)運(yùn)行的小型電力系統(tǒng)，通常包括分布式發(fā)電資源（如太陽能、風(fēng)能、小型燃?xì)廨啓C(jī)等）、儲能裝置、負(fù)載和控制系統(tǒng)，儲能裝置通常指的是儲能電站，儲能電站存儲來自分布式發(fā)電（如太陽能、風(fēng)能等）的多余電能，并在需要時釋放，以平衡供需，維持微電網(wǎng)的穩(wěn)定運(yùn)行，儲能電站的放電與多個因素相關(guān)，其中放電深度是重要因素之一，放電深度指的是儲能系統(tǒng)從滿電狀態(tài)到放電停止時所釋放的能量占其總?cè)萘康陌俜直龋@一因素直接影響儲能系統(tǒng)的性能和經(jīng)濟(jì)性，現(xiàn)有技術(shù)中，出現(xiàn)了關(guān)于放電深度的相關(guān)內(nèi)容，但還存在一定的問題。

2、例如，公開號為cn110504725a的中國專利提供了一種儲能電站多電池堆快速均衡控制方法及裝置，將電池堆荷電狀態(tài)劃分為若干個區(qū)域，在不同區(qū)域進(jìn)行不同的荷電狀態(tài)與放電深度的更新，根據(jù)更新后的荷電狀態(tài)與放電深度，對各電池堆有功功率指令進(jìn)行依序按比例給定，公開號為cn114336694a的中國專利提供了一種混合儲能電站能量優(yōu)化控制方法，在混合儲能電站運(yùn)行過程中實(shí)時獲取不同類型儲能系統(tǒng)運(yùn)行信息并計算各儲能單元最佳放電深度、剩余運(yùn)行壽命。

3、雖然上述專利公開了與放電深度相關(guān)的技術(shù)內(nèi)容，但這些專利主要關(guān)注如何根據(jù)儲能系統(tǒng)的狀態(tài)來確定放電深度，而較少從儲能系統(tǒng)的放電成本和市場需求的角度進(jìn)行優(yōu)化，這使得在實(shí)際應(yīng)用中，放電深度的調(diào)整可能無法充分考慮經(jīng)濟(jì)性，從而導(dǎo)致儲能系統(tǒng)的經(jīng)濟(jì)效益不高。

4、鑒于此，本發(fā)明提出基于多目標(biāo)優(yōu)化的微電網(wǎng)儲能放電深度控制方法及系統(tǒng)以解決上述問題。

技術(shù)實(shí)現(xiàn)思路

1、為了克服現(xiàn)有技術(shù)的上述缺陷，本發(fā)明提供基于多目標(biāo)優(yōu)化的微電網(wǎng)儲能放電深度控制方法及系統(tǒng)。

2、為實(shí)現(xiàn)上述目的，本發(fā)明提供如下技術(shù)方案：

3、第一方面，基于多目標(biāo)優(yōu)化的微電網(wǎng)儲能放電深度控制方法，包括：

4、獲取目標(biāo)電站的市場需求數(shù)據(jù)和運(yùn)行模式數(shù)據(jù)，根據(jù)市場需求數(shù)據(jù)和運(yùn)行模式數(shù)據(jù)確定應(yīng)用場景類別，基于應(yīng)用場景類別確定初始放電區(qū)間；

5、獲取目標(biāo)電站的放電數(shù)據(jù)，根據(jù)放電數(shù)據(jù)計算放電影響系數(shù)，根據(jù)放電影響系數(shù)調(diào)整初始放電區(qū)間，獲取目標(biāo)放電區(qū)間；

6、基于自然啟發(fā)優(yōu)化算法以及目標(biāo)放電區(qū)間對預(yù)構(gòu)建的調(diào)整成本函數(shù)進(jìn)行優(yōu)化，得到最優(yōu)放電深度，調(diào)整成本函數(shù)至少包括能耗成本函數(shù)和壽命折損函數(shù)，所述最優(yōu)放電深度位于目標(biāo)放電區(qū)間中。

7、進(jìn)一步地，所述能耗成本函數(shù)通過量化時間跨度內(nèi)的充電效率、放電效率、充電功率和放電功率，結(jié)合目標(biāo)放電深度的調(diào)節(jié)權(quán)重，動態(tài)計算時間跨度內(nèi)的能耗成本獲得。

8、進(jìn)一步地，所述壽命折損函數(shù)通過非線性放大效應(yīng)，量化計算儲能系統(tǒng)在充電和放電過程中充電效率、放電效率、充電功率、放電功率，以及上網(wǎng)電價導(dǎo)致的電池壽命損耗成本獲得。

9、進(jìn)一步地，所述調(diào)整成本函數(shù)為能耗成本函數(shù)和壽命折損函數(shù)的和。

10、進(jìn)一步地，所述自然啟發(fā)優(yōu)化算法為麻雀搜索算法，基于麻雀搜索算法以及目標(biāo)放電區(qū)間對預(yù)構(gòu)建的調(diào)整成本函數(shù)進(jìn)行優(yōu)化，得到最優(yōu)放電深度，包括：

11、隨機(jī)生成一組麻雀個體，每個個體代表一個目標(biāo)放電深度值；

12、對每個麻雀個體隨機(jī)生成初始位置，即目標(biāo)放電深度值，使其滿足：

13、；

14、式中，為目標(biāo)放電區(qū)間中目標(biāo)放電深度的最小值，為目標(biāo)放電區(qū)間中目標(biāo)放電深度的最大值。

15、計算每個麻雀個體的適應(yīng)度函數(shù)值，即調(diào)整成本函數(shù)值；

16、對部分麻雀個體執(zhí)行探索操作，通過結(jié)合迭代次數(shù)的動態(tài)衰減，與隨機(jī)角度擾動相結(jié)合的方式更新其目標(biāo)放電深度，即更新第個麻雀在第代的位置，獲得第個麻雀在第代的位置；

17、檢查更新后的是否在目標(biāo)放電區(qū)間內(nèi)，如果超出區(qū)間，則進(jìn)行邊界處理；

18、對其余麻雀個體執(zhí)行追隨操作，更新其余麻雀個體的目標(biāo)放電深度；

19、計算更新后每個麻雀個體的適應(yīng)度函數(shù)值 f，更新當(dāng)前最優(yōu)解；

20、當(dāng)達(dá)到預(yù)設(shè)的最大迭代次數(shù)時停止搜索，輸出當(dāng)前最優(yōu)解對應(yīng)的目標(biāo)放電深度即為最優(yōu)放電深度。

21、進(jìn)一步地，所述如果超出區(qū)間，則進(jìn)行邊界處理的方法包括：比較目標(biāo)放電區(qū)間中目標(biāo)放電深度的最大值與中的最小值，將比較獲得的最小值與目標(biāo)放電區(qū)間中目標(biāo)放電深度的最小值進(jìn)行比較，獲得比較后的最大值，將比較后的最大值作為更新的值。

22、進(jìn)一步地，所述更新其余麻雀個體的目標(biāo)放電深度的方法包括：通過向當(dāng)前最優(yōu)解趨近的導(dǎo)向性調(diào)整與隨機(jī)步長控制相結(jié)合的方式對目標(biāo)放電深度進(jìn)行更新。

23、進(jìn)一步地，所述根據(jù)市場需求數(shù)據(jù)和運(yùn)行模式數(shù)據(jù)確定應(yīng)用場景類別的方法包括：

24、將市場需求數(shù)據(jù)和運(yùn)行模式數(shù)據(jù)輸入到預(yù)構(gòu)建的場景分類模型中，獲得應(yīng)用場景類別；

25、場景分類模型的構(gòu)建方法包括：

26、獲取w組訓(xùn)練數(shù)據(jù)，w為大于1的正整數(shù)，訓(xùn)練數(shù)據(jù)包括歷史市場需求數(shù)據(jù)、歷史運(yùn)行模式數(shù)據(jù)和歷史應(yīng)用場景類別，將歷史市場需求數(shù)據(jù)、歷史運(yùn)行模式數(shù)據(jù)和歷史應(yīng)用場景類別作為樣本集，將樣本集劃分為訓(xùn)練集和測試集，構(gòu)建分類器，將訓(xùn)練集中的歷史市場需求數(shù)據(jù)和歷史運(yùn)行模式數(shù)據(jù)作為輸入數(shù)據(jù)，將訓(xùn)練集中的歷史應(yīng)用場景類別作為輸出數(shù)據(jù)，對分類器進(jìn)行訓(xùn)練，得到初始分類器，利用測試集對初始分類器進(jìn)行測試，輸出滿足預(yù)設(shè)準(zhǔn)確度的分類器作為場景分類模型。

27、進(jìn)一步地，所述根據(jù)放電影響系數(shù)調(diào)整初始放電區(qū)間，獲取目標(biāo)放電區(qū)間的方法包括：

28、將放電影響系數(shù)和初始放電區(qū)間輸入到預(yù)構(gòu)建的區(qū)間調(diào)整模型中，獲得目標(biāo)放電區(qū)間；

29、所述區(qū)間調(diào)整模型的構(gòu)建方法包括：

30、獲取樣本數(shù)據(jù)集，所述樣本數(shù)據(jù)集中包括歷史放電影響系數(shù)、歷史初始放電區(qū)間和歷史目標(biāo)放電區(qū)間，將樣本數(shù)據(jù)集劃分為樣本訓(xùn)練集和樣本測試集，構(gòu)建回歸網(wǎng)絡(luò)，以樣本訓(xùn)練集中的歷史放電影響系數(shù)和歷史初始放電區(qū)間作為回歸網(wǎng)絡(luò)的輸入數(shù)據(jù)，以樣本訓(xùn)練集中的歷史目標(biāo)放電區(qū)間作為回歸網(wǎng)絡(luò)的輸出數(shù)據(jù)，對回歸網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到用于預(yù)測實(shí)時目標(biāo)放電區(qū)間的初始回歸網(wǎng)絡(luò)，利用樣本測試集對初始回歸網(wǎng)絡(luò)進(jìn)行測試，輸出滿足小于預(yù)設(shè)誤差值的初始回歸網(wǎng)絡(luò)作為區(qū)間調(diào)整模型。

31、第二方面，基于多目標(biāo)優(yōu)化的微電網(wǎng)儲能放電深度控制系統(tǒng)，其用于實(shí)現(xiàn)上述的基于多目標(biāo)優(yōu)化的微電網(wǎng)儲能放電深度控制方法，包括：

32、第一處理模塊：用于獲取目標(biāo)電站的市場需求數(shù)據(jù)和運(yùn)行模式數(shù)據(jù)，根據(jù)市場需求數(shù)據(jù)和運(yùn)行模式數(shù)據(jù)確定應(yīng)用場景類別，基于應(yīng)用場景類別確定初始放電區(qū)間；

33、第二處理模塊：用于獲取目標(biāo)電站的放電數(shù)據(jù)，根據(jù)放電數(shù)據(jù)計算放電影響系數(shù)，根據(jù)放電影響系數(shù)調(diào)整初始放電區(qū)間，獲取目標(biāo)放電區(qū)間；

34、優(yōu)化模塊：基于麻雀搜索算法以及目標(biāo)放電區(qū)間對預(yù)構(gòu)建的調(diào)整成本函數(shù)進(jìn)行優(yōu)化，得到最優(yōu)放電深度，調(diào)整成本函數(shù)至少包括能耗成本函數(shù)和壽命折損函數(shù)，所述最優(yōu)放電深度位于目標(biāo)放電區(qū)間中。

35、相比于現(xiàn)有技術(shù)，本發(fā)明的有益效果為：

36、本發(fā)明能夠根據(jù)市場需求數(shù)據(jù)和運(yùn)行模式數(shù)據(jù)確定應(yīng)用場景類別，基于應(yīng)用場景類別確定初始放電區(qū)間，根據(jù)放電數(shù)據(jù)計算放電影響系數(shù)，根據(jù)放電影響系數(shù)調(diào)整初始放電區(qū)間，獲取目標(biāo)放電區(qū)間，最后基于麻雀搜索算法以及目標(biāo)放電區(qū)間對預(yù)構(gòu)建的調(diào)整成本函數(shù)進(jìn)行優(yōu)化，得到最優(yōu)放電深度，本發(fā)明通過優(yōu)化放電深度，可以減少儲能系統(tǒng)在特定時間跨度內(nèi)的能耗，從而降低整體的能耗成本，最優(yōu)放電深度能夠確保電能利用的最大化，通過同時優(yōu)化能耗成本和壽命折損成本，找到一個綜合成本最低的放電深度，從而在整個運(yùn)營周期內(nèi)實(shí)現(xiàn)經(jīng)濟(jì)效益的最大化。