本發(fā)明涉及儲能集群，特別是基于邊緣計算的儲能集群動態(tài)優(yōu)化控制系統(tǒng)。

背景技術(shù)：

1、隨著可再生能源的廣泛應(yīng)用和分布式能源技術(shù)的不斷發(fā)展，儲能集群成為能源管理系統(tǒng)中的關(guān)鍵組成部分，儲能系統(tǒng)可以在電力供應(yīng)過剩時存儲多余電能，在電力需求高峰時釋放電能，從而實現(xiàn)電力負荷的平衡與調(diào)節(jié)，傳統(tǒng)的儲能系統(tǒng)管理和控制方法由于對能量分配的效率較低，難以實時響應(yīng)動態(tài)負載變化，隨著邊緣計算技術(shù)的引入將計算資源下沉至網(wǎng)絡(luò)邊緣，提高了數(shù)據(jù)處理的實時性與可靠性，使得儲能系統(tǒng)可以更高效地管理和調(diào)度分布式節(jié)點的能量；

2、但是傳統(tǒng)的功率預(yù)測方法對時間序列的線性特征較為敏感，難以應(yīng)對儲能集群運行中的非線性變化，導(dǎo)致預(yù)測結(jié)果不夠準確，同時現(xiàn)有的能量調(diào)度算法大多基于固定的規(guī)則和模型，缺乏對儲能節(jié)點與負荷節(jié)點之間動態(tài)路徑損耗的實時反饋機制，導(dǎo)致功率分配與傳輸效率偏低的問題。

技術(shù)實現(xiàn)思路

1、鑒于上述現(xiàn)有的基于邊緣計算的儲能集群動態(tài)優(yōu)化控制系統(tǒng)中存在的問題，提出了本發(fā)明。

2、因此，本發(fā)明所要解決的問題在于傳統(tǒng)的功率預(yù)測方法對時間序列的線性特征較為敏感，難以應(yīng)對儲能集群運行中的非線性變化，導(dǎo)致預(yù)測結(jié)果不夠準確，同時現(xiàn)有的能量調(diào)度算法大多基于固定的規(guī)則和模型，缺乏對儲能節(jié)點與負荷節(jié)點之間動態(tài)路徑損耗的實時反饋機制，導(dǎo)致功率分配與傳輸效率偏低的問題。

3、為解決上述技術(shù)問題，本發(fā)明提供如下技術(shù)方案：基于邊緣計算的儲能集群動態(tài)優(yōu)化控制系統(tǒng)，其包括，

4、數(shù)據(jù)采集模塊，采集儲能集群歷史數(shù)據(jù)和邊緣節(jié)點的本地數(shù)據(jù)；

5、功率預(yù)測模塊，使用arima模型進行時間序列的預(yù)測，使用bp神經(jīng)網(wǎng)絡(luò)進行非線性誤差的識別和修正，輸出最終功率預(yù)測值，基于邊緣節(jié)點部署模型并進行全局更新；

6、雙層優(yōu)化模型模塊，構(gòu)建雙層優(yōu)化模型進行儲能集群的動態(tài)分配與路徑優(yōu)化，基于下層優(yōu)化模型計算傳輸路徑和損耗，并反饋傳輸損耗，影響上層優(yōu)化模型的功率分配，迭代計算功率分配結(jié)果；

7、動態(tài)卸載策略模塊，基于儲能集群定義調(diào)度策略，基于邊緣節(jié)點定義動態(tài)卸載策略；

8、異常檢測模塊，基于lstm神經(jīng)網(wǎng)絡(luò)構(gòu)建異常檢測模型，對儲能集群運行異常進行識別，對邊緣節(jié)點數(shù)據(jù)進行本地和云端存儲備份。

9、作為本發(fā)明所述基于邊緣計算的儲能集群動態(tài)優(yōu)化控制系統(tǒng)的一種優(yōu)選方案，其中：所述采集儲能集群歷史數(shù)據(jù)和邊緣節(jié)點的本地數(shù)據(jù)，包括，

10、基于儲能集群的歷史數(shù)據(jù)包括各節(jié)點的功率輸出、負載、電壓、電流的實時運行狀態(tài)數(shù)據(jù)，還包括溫度、濕度的環(huán)境變量數(shù)據(jù)，進行數(shù)據(jù)采集和歸一化處理；

11、根據(jù)儲能集群的邊緣節(jié)點對應(yīng)的本地數(shù)據(jù)進行采集和存儲。

12、作為本發(fā)明所述基于邊緣計算的儲能集群動態(tài)優(yōu)化控制系統(tǒng)的一種優(yōu)選方案，其中：所述使用arima模型進行時間序列的預(yù)測，使用bp神經(jīng)網(wǎng)絡(luò)進行非線性誤差的識別和修正，輸出最終功率預(yù)測值，包括，

13、基于歸一化處理的儲能集群歷史功率數(shù)據(jù)，使用arima模型進行時間序列的預(yù)測作業(yè)，表示為：

14、；

15、其中表示時間點t的功率預(yù)測值，表示時間t-i的歷史功率數(shù)據(jù)，表示時間點t-j的誤差，表示自回歸項系數(shù)，表示移動平均項系數(shù)，和分別表示自回歸和移動平均的階數(shù)；

16、使用最大似然估計法mle對arima模型進行參數(shù)估計，并通過歷史數(shù)據(jù)訓(xùn)練模型，使用mle優(yōu)化并確定和；

17、構(gòu)建bp神經(jīng)網(wǎng)絡(luò)模型，包括輸入層、隱藏層和輸出層，其中輸入層輸入arima模型的輸出，隱藏層對arima模型的輸出的非線性誤差進行識別和修正，輸出層輸出最終的功率預(yù)測值，表示為：

18、；

19、其中表示真實功率值，表示預(yù)測功率值，n表示真實數(shù)據(jù)總數(shù)，e表示誤差項；

20、使用訓(xùn)練集訓(xùn)練模型，選擇交叉熵損失函數(shù)計算bp神經(jīng)網(wǎng)絡(luò)模型的預(yù)測與實際標簽之間的差異，使用adam優(yōu)化器進行梯度下降優(yōu)化，更新bp神經(jīng)網(wǎng)絡(luò)模型的權(quán)重，在連續(xù)迭代過程中模型的損失不再明顯下降則停止迭代輸出模型參數(shù)更新模型；

21、在完成功率預(yù)測后，結(jié)合arima模型的線性預(yù)測與bp神經(jīng)網(wǎng)絡(luò)的非線性誤差修正的和作為最終功率預(yù)測值，并作為下一步優(yōu)化調(diào)度的依據(jù)。

22、作為本發(fā)明所述基于邊緣計算的儲能集群動態(tài)優(yōu)化控制系統(tǒng)的一種優(yōu)選方案，其中：所述基于邊緣節(jié)點部署模型并進行全局更新，包括，

23、針對各個邊緣節(jié)點分別訓(xùn)練本地bp神經(jīng)網(wǎng)絡(luò)模型，使用的訓(xùn)練數(shù)據(jù)為本地的功率歷史數(shù)據(jù)；

24、本地訓(xùn)練完成后，將更新后的模型參數(shù)發(fā)送至中心服務(wù)器；

25、中心服務(wù)器將所有節(jié)點的模型參數(shù)進行加權(quán)平均，更新全局模型；

26、將更新后的全局模型發(fā)送回各邊緣節(jié)點，用于下一輪訓(xùn)練。

27、作為本發(fā)明所述基于邊緣計算的儲能集群動態(tài)優(yōu)化控制系統(tǒng)的一種優(yōu)選方案，其中：所述構(gòu)建雙層優(yōu)化模型進行儲能集群的動態(tài)分配與路徑優(yōu)化，包括，

28、基于最終功率預(yù)測值的計算，構(gòu)建雙層優(yōu)化模型進行儲能集群的動態(tài)分配與路徑優(yōu)化，包括上層優(yōu)化模型和下層優(yōu)化模型；

29、定義接收和消耗儲能單元釋放的電能的模塊或設(shè)備為負荷節(jié)點；

30、上層優(yōu)化模型的目標定義為最小化總能耗和運行成本，目標函數(shù)表示為：

31、；

32、其中表示總功率消耗，m表示儲能節(jié)點總數(shù)，表示第i個儲能節(jié)點的功率消耗成本，表示第i個負荷節(jié)點的功率消耗成本；

33、下層優(yōu)化模型的目標定義為通過最短路徑算法在儲能單元和負荷節(jié)點之間找到損耗最小的傳輸路徑，目標函數(shù)表示為：

34、；

35、；

36、其中m和b分別表示儲能節(jié)點和負荷節(jié)點的數(shù)量，表示儲能節(jié)點i和負荷節(jié)點j之間的功率傳輸損耗，s表示總傳輸損耗，表示節(jié)點i和j之間的線路電阻，表示節(jié)點i和j之間的電流；

37、采用dijkstra算法計算從儲能節(jié)點到負荷節(jié)點的最短路徑。

38、作為本發(fā)明所述基于邊緣計算的儲能集群動態(tài)優(yōu)化控制系統(tǒng)的一種優(yōu)選方案，其中：所述基于下層優(yōu)化模型計算傳輸路徑和損耗，并反饋傳輸損耗，影響上層優(yōu)化模型的功率分配，迭代計算功率分配結(jié)果，包括，

39、初始化功率分配，各儲能節(jié)點根據(jù)其剩余功率和負荷節(jié)點的需求進行分配，表示為：

40、；

41、其中表示儲能節(jié)能向負荷節(jié)點j的分配功率，表示時間t儲能單元的可用總能量，和分別表示時間t，負荷節(jié)點j和k的能量需求，b表示負荷節(jié)點的數(shù)量；

42、計算出每個儲能單元初始分配的功率代入上層優(yōu)化模型的目標函數(shù)，計算初始功率分配的總消耗，表示為：

43、；

44、其中表示功率分配總成本，和分別表示儲能節(jié)點i的功率消耗成本和負荷節(jié)點j的功率需求成本；

45、基于下層優(yōu)化模型采用dijkstra算法，計算儲能節(jié)點和負荷節(jié)點之間的傳輸路徑和損耗，并反饋傳輸損耗，影響上層優(yōu)化模型的功率分配，表示為：

46、；

47、其中表示總功率成本，包括分配功率成本和傳輸損耗；

48、根據(jù)反饋的傳輸損耗，使用梯度下降法調(diào)整功率分配策略，通過最小化目標函數(shù)，計算出新的功率分配方案；

49、基于歷史數(shù)據(jù)定義收斂閾值，在功率分配的多次迭代中，當(dāng)目標函數(shù)的變化量低于預(yù)設(shè)的收斂閾值，終止迭代得到最終的功率分配結(jié)果。

50、作為本發(fā)明所述基于邊緣計算的儲能集群動態(tài)優(yōu)化控制系統(tǒng)的一種優(yōu)選方案，其中：所述基于儲能集群定義調(diào)度策略，包括，

51、平衡負荷需求、可再生能源發(fā)電、儲能系統(tǒng)放電以及電網(wǎng)供電，明確可再生能源功率、電網(wǎng)功率和儲能單元的放電功率的和與總負荷需求和儲能系統(tǒng)充電功率的和相等；

52、定義調(diào)度策略，檢查可再生能源的功率輸出，若可再生能源的輸出超過了負荷需求，則用于儲能單元充電，若可再生能源的輸出不足以滿足負荷需求，則通過儲能單元補足不足的功率，若儲能單元同樣不足以滿足負荷需求，則通過電網(wǎng)進行補足。

53、作為本發(fā)明所述基于邊緣計算的儲能集群動態(tài)優(yōu)化控制系統(tǒng)的一種優(yōu)選方案，其中：所述基于邊緣節(jié)點定義動態(tài)卸載策略，包括，

54、基于完成訓(xùn)練的邊緣節(jié)點，定義動態(tài)卸載策略，實時監(jiān)控每個邊緣節(jié)點運行數(shù)據(jù)，并計算負載率，同時監(jiān)測網(wǎng)絡(luò)帶寬；

55、針對邊緣節(jié)點任務(wù)進行卸載可行性指數(shù)計算，表示為：

56、；

57、其中表示第k個任務(wù)的卸載可行性指數(shù)，表示任務(wù)k在本地處理的延遲時間，表示任務(wù)k到邊緣云處理的延遲時間，表示當(dāng)前可用網(wǎng)絡(luò)帶寬，表示任務(wù)k卸載所需帶寬，表示邊緣節(jié)點n的最大計算算力，表示節(jié)點n的當(dāng)前性能利用率；

58、基于歷史數(shù)據(jù)對可卸載任務(wù)的可行性指數(shù)進行計算，并基于平均值和標準差的和作為可行性閾值，若大于等于可行性閾值，則表示任務(wù)k可以被卸載；

59、基于對任務(wù)k的卸載與否的判定，確定卸載決策變量，若任務(wù)k被卸載到邊緣云，則表示1，反之則表示0；

60、定義執(zhí)行條件，若大于，則表示任務(wù)可卸載，若卸載任務(wù)的帶寬總需求小于，則表示任務(wù)可被卸載，若邊緣節(jié)點的負載率超過最大負載率，則表示任務(wù)可卸載；

61、基于最小化總能耗和延遲，定義動態(tài)決策，表示為：

62、；

63、其中ming表示最小化優(yōu)化目標，表示任務(wù)總數(shù)，和分別表示任務(wù)k卸載到邊緣云的能耗和任務(wù)k在本地處理的能耗；

64、基于最小化優(yōu)化目標，實時執(zhí)行卸載任務(wù)，并進行網(wǎng)絡(luò)傳輸，將任務(wù)交由云端節(jié)點處理；

65、持續(xù)監(jiān)控已經(jīng)卸載的任務(wù)，確保其在預(yù)定時間內(nèi)完成，若卸載過程中出現(xiàn)網(wǎng)絡(luò)擁塞或延遲超標，系統(tǒng)將嘗試重新分配任務(wù)回本地執(zhí)行。

66、作為本發(fā)明所述基于邊緣計算的儲能集群動態(tài)優(yōu)化控制系統(tǒng)的一種優(yōu)選方案，其中：所述基于lstm神經(jīng)網(wǎng)絡(luò)構(gòu)建異常檢測模型，對儲能集群運行異常進行識別，包括，

67、基于lstm神經(jīng)網(wǎng)絡(luò)構(gòu)建異常檢測模型，包括輸入層、lstm層和輸出層，其中輸入層輸入儲能集群的歷史運行數(shù)據(jù)，lstm層用于捕捉時間序列中的動態(tài)變化，輸出層輸出下一個時間步的儲能集群的運行狀態(tài)；

68、使用訓(xùn)練集選擇交叉熵損失函數(shù)計算異常檢測模型的預(yù)測結(jié)果與實際標簽之間的差異，使用adam優(yōu)化器進行梯度下降優(yōu)化，更新異常檢測模型的參數(shù)，在連續(xù)迭代過程中模型的損失不再明顯下降時，停止迭代輸出模型參數(shù)；

69、基于歷史數(shù)據(jù)的平均值和二倍標準差的和作為異常閾值，若異常檢測模型的預(yù)測輸出大于異常閾值，則被視為儲能單元的運行異常，并基于其他未故障的儲能單元數(shù)量，進行動態(tài)負載均衡調(diào)度。

70、作為本發(fā)明所述基于邊緣計算的儲能集群動態(tài)優(yōu)化控制系統(tǒng)的一種優(yōu)選方案，其中：所述對邊緣節(jié)點數(shù)據(jù)進行本地和云端存儲備份，包括，

71、基于儲能單元運行異常的判定，通過警報器對維護人員進行異常警報；

72、記錄警報時間和數(shù)據(jù)采用rsa進行數(shù)據(jù)加密，并采用tls安全協(xié)議傳輸至云端數(shù)據(jù)庫；

73、針對邊緣節(jié)點和中心服務(wù)器的數(shù)據(jù)同步進行本地備份和云端存儲。

74、本發(fā)明有益效果為：通過arima的短期趨勢預(yù)測和bp神經(jīng)網(wǎng)絡(luò)的誤差修正，能夠更迅速地響應(yīng)功率波動，優(yōu)化功率分配，確保儲能系統(tǒng)在電網(wǎng)中的穩(wěn)定運行，通過在每個邊緣節(jié)點上進行本地bp神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練，能夠充分利用分布式計算資源，通過雙層優(yōu)化模型的協(xié)同作用下，將輸出最終的功率分配方案和傳輸路徑優(yōu)化結(jié)果，確保在負載需求和電力供給的波動下，能夠高效運行，減少能耗并最大化可再生能源的利用，通過對各個邊緣節(jié)點的動態(tài)卸載策略，確保了即使在云端處理出現(xiàn)問題時，依然能夠維持任務(wù)的正常運行，增強了系統(tǒng)的魯棒性。