本(ben)發明涉及新(xin)能(neng)(neng)源(yuan)儲(chu)能(neng)(neng)，更具體(ti)地說，本(ben)發明涉及基于機器學習驅動(dong)新(xin)能(neng)(neng)源(yuan)儲(chu)能(neng)(neng)智能(neng)(neng)化運行控(kong)制(zhi)系統及方法(fa)。

背景技術：

1、新能(neng)源(yuan)儲(chu)(chu)能(neng)系統作(zuo)為可再生能(neng)源(yuan)廣泛應用的重要基礎設(she)施，其主要任務就是對不穩定的新能(neng)源(yuan)電(dian)(dian)力進行有效的吸收(shou)、儲(chu)(chu)存與調度，從而(er)為電(dian)(dian)力系統的平穩供(gong)電(dian)(dian)提供(gong)可靠(kao)保障。

2、而事實上，由于新(xin)能(neng)(neng)源資源如太(tai)陽能(neng)(neng)、風(feng)能(neng)(neng)等生產(chan)電(dian)量(liang)(liang)的不(bu)(bu)穩定性來源于天氣(qi)等復雜多(duo)變的自然(ran)條件影響，其(qi)產(chan)電(dian)量(liang)(liang)會(hui)在(zai)每小(xiao)時、每日甚至每年都有很大(da)的波動。這對新(xin)能(neng)(neng)源儲(chu)能(neng)(neng)系統(tong)在(zai)平穩吸收存儲(chu)新(xin)能(neng)(neng)源電(dian)量(liang)(liang)的同時，又要滿足不(bu)(bu)斷變化的用電(dian)需(xu)求提出了極高的技(ji)術挑(tiao)戰。

3、現有(you)授權公告號為cn114389272b的(de)(de)中(zhong)國專利公開了一種應用(yong)于風(feng)(feng)(feng)(feng)光(guang)儲(chu)新能(neng)源電(dian)站(zhan)的(de)(de)多(duo)模式協調控(kong)制(zhi)方法，包括：風(feng)(feng)(feng)(feng)光(guang)儲(chu)新能(neng)源電(dian)站(zhan)控(kong)制(zhi)系統(tong)實時(shi)采集風(feng)(feng)(feng)(feng)電(dian)系統(tong)、光(guang)伏(fu)(fu)系統(tong)、儲(chu)能(neng)系統(tong)的(de)(de)運行(xing)數據，讀(du)取風(feng)(feng)(feng)(feng)電(dian)系統(tong)、光(guang)伏(fu)(fu)系統(tong)、儲(chu)能(neng)系統(tong)的(de)(de)限定參(can)數；風(feng)(feng)(feng)(feng)光(guang)儲(chu)新能(neng)源電(dian)站(zhan)控(kong)制(zhi)系統(tong)讀(du)取調度(du)中(zhong)心下發的(de)(de)風(feng)(feng)(feng)(feng)光(guang)儲(chu)場(chang)景(jing)運行(xing)模式標志位(wei)，確(que)定風(feng)(feng)(feng)(feng)光(guang)儲(chu)系統(tong)參(can)與功(gong)率(lv)(lv)控(kong)制(zhi)的(de)(de)方式；在風(feng)(feng)(feng)(feng)光(guang)模式下，選(xuan)擇比例控(kong)制(zhi)、裕度(du)控(kong)制(zhi)、風(feng)(feng)(feng)(feng)電(dian)優先或(huo)光(guang)伏(fu)(fu)優先模式完成風(feng)(feng)(feng)(feng)電(dian)系統(tong)和(he)光(guang)伏(fu)(fu)系統(tong)間的(de)(de)功(gong)率(lv)(lv)分配；在有(you)儲(chu)能(neng)系統(tong)參(can)與控(kong)制(zhi)的(de)(de)情況下，將指(zhi)令跟蹤、功(gong)率(lv)(lv)平滑、風(feng)(feng)(feng)(feng)光(guang)消納(na)、頂峰供(gong)電(dian)控(kong)制(zhi)模式進行(xing)融合。該專利通(tong)過實現了風(feng)(feng)(feng)(feng)光(guang)儲(chu)場(chang)站(zhan)群有(you)功(gong)協同優化(hua)控(kong)制(zhi)，平滑新能(neng)源接入引(yin)起的(de)(de)電(dian)網電(dian)壓及頻率(lv)(lv)波動的(de)(de)問題，提高新能(neng)源并網的(de)(de)穩定性。

4、一方面(mian)，儲能(neng)(neng)(neng)系統(tong)需要(yao)根(gen)據(ju)新(xin)能(neng)(neng)(neng)源(yuan)不斷(duan)變化的(de)產(chan)能(neng)(neng)(neng)狀(zhuang)況(kuang)，及時調整(zheng)儲能(neng)(neng)(neng)設備的(de)充電(dian)和放電(dian)策略，最大(da)限度地平(ping)緩新(xin)能(neng)(neng)(neng)源(yuan)產(chan)能(neng)(neng)(neng)的(de)波(bo)動，實(shi)現盡可(ke)能(neng)(neng)(neng)高的(de)新(xin)能(neng)(neng)(neng)源(yuan)利用(yong)(yong)(yong)率。另一方面(mian)，它(ta)還要(yao)根(gen)據(ju)用(yong)(yong)(yong)戶(hu)側動態的(de)用(yong)(yong)(yong)電(dian)負荷(he)，實(shi)時對儲存能(neng)(neng)(neng)量進行分(fen)配調度，保證終(zhong)端用(yong)(yong)(yong)戶(hu)電(dian)力的(de)連續可(ke)靠供應。

5、而隨著(zhu)我國新(xin)能(neng)(neng)源發展規模不(bu)斷(duan)擴大(da)，以太陽能(neng)(neng)和風能(neng)(neng)為主的多種新(xin)能(neng)(neng)源在(zai)(zai)不(bu)同區域(yu)的配置也(ye)在(zai)(zai)不(bu)斷(duan)優(you)化，這也(ye)增加(jia)了(le)(le)新(xin)能(neng)(neng)源總體(ti)產能(neng)(neng)結(jie)構(gou)和空間分布(bu)的不(bu)確定性。這對新(xin)能(neng)(neng)源儲能(neng)(neng)系(xi)統(tong)提(ti)出了(le)(le)更高(gao)層次的控(kong)制智能(neng)(neng)化要求。

技術實現思路

1、為了解決上述技術難點(dian)，本發明提供基(ji)于機器(qi)學習(xi)驅動新(xin)能源儲能智能化運(yun)行控制(zhi)方(fang)法，方(fang)法包括：

2、收集(ji)天氣數據、新(xin)能(neng)源產區(qu)結構系數、新(xin)能(neng)源產區(qu)預計產能(neng)與電能(neng)需求量(liang)；

3、將天氣數(shu)(shu)(shu)據、新(xin)(xin)(xin)(xin)(xin)(xin)能(neng)(neng)(neng)(neng)源(yuan)(yuan)產(chan)(chan)區結構系數(shu)(shu)(shu)與新(xin)(xin)(xin)(xin)(xin)(xin)能(neng)(neng)(neng)(neng)源(yuan)(yuan)產(chan)(chan)區預(yu)(yu)(yu)計產(chan)(chan)能(neng)(neng)(neng)(neng)輸(shu)入至預(yu)(yu)(yu)構建(jian)的(de)新(xin)(xin)(xin)(xin)(xin)(xin)能(neng)(neng)(neng)(neng)源(yuan)(yuan)產(chan)(chan)能(neng)(neng)(neng)(neng)預(yu)(yu)(yu)估(gu)模(mo)(mo)型輸(shu)出新(xin)(xin)(xin)(xin)(xin)(xin)能(neng)(neng)(neng)(neng)源(yuan)(yuan)產(chan)(chan)能(neng)(neng)(neng)(neng)變化時(shi)間序(xu)列，基(ji)于每組天氣數(shu)(shu)(shu)據、新(xin)(xin)(xin)(xin)(xin)(xin)能(neng)(neng)(neng)(neng)源(yuan)(yuan)產(chan)(chan)區結構系數(shu)(shu)(shu)與新(xin)(xin)(xin)(xin)(xin)(xin)能(neng)(neng)(neng)(neng)源(yuan)(yuan)產(chan)(chan)區預(yu)(yu)(yu)計產(chan)(chan)能(neng)(neng)(neng)(neng)，以及對應(ying)新(xin)(xin)(xin)(xin)(xin)(xin)能(neng)(neng)(neng)(neng)源(yuan)(yuan)產(chan)(chan)能(neng)(neng)(neng)(neng)變化時(shi)間序(xu)列對新(xin)(xin)(xin)(xin)(xin)(xin)能(neng)(neng)(neng)(neng)源(yuan)(yuan)產(chan)(chan)能(neng)(neng)(neng)(neng)預(yu)(yu)(yu)估(gu)模(mo)(mo)型進(jin)行訓練，使新(xin)(xin)(xin)(xin)(xin)(xin)能(neng)(neng)(neng)(neng)源(yuan)(yuan)產(chan)(chan)能(neng)(neng)(neng)(neng)預(yu)(yu)(yu)估(gu)模(mo)(mo)型輸(shu)出新(xin)(xin)(xin)(xin)(xin)(xin)能(neng)(neng)(neng)(neng)源(yuan)(yuan)產(chan)(chan)能(neng)(neng)(neng)(neng)變化時(shi)間序(xu)列，所(suo)述新(xin)(xin)(xin)(xin)(xin)(xin)能(neng)(neng)(neng)(neng)源(yuan)(yuan)產(chan)(chan)能(neng)(neng)(neng)(neng)預(yu)(yu)(yu)估(gu)模(mo)(mo)型為rnn模(mo)(mo)型或cnn模(mo)(mo)型；

4、輸入(ru)新能(neng)(neng)源(yuan)(yuan)產能(neng)(neng)變化(hua)時(shi)間序列與電能(neng)(neng)需求量(liang)至(zhi)儲(chu)能(neng)(neng)控制(zhi)策略(lve)調(diao)整(zheng)模型(xing)(xing)輸出運行(xing)策略(lve)，基于新能(neng)(neng)源(yuan)(yuan)產能(neng)(neng)變化(hua)時(shi)間序列與電能(neng)(neng)需求量(liang)，以及對(dui)應(ying)運行(xing)策略(lve)對(dui)儲(chu)能(neng)(neng)控制(zhi)策略(lve)調(diao)整(zheng)模型(xing)(xing)進行(xing)結構(gou)定義、結構(gou)與訓(xun)練設計、訓(xun)練與環(huan)境反饋，使(shi)儲(chu)能(neng)(neng)控制(zhi)策略(lve)調(diao)整(zheng)模型(xing)(xing)輸出運行(xing)策略(lve)，所述儲(chu)能(neng)(neng)控制(zhi)策略(lve)調(diao)整(zheng)模型(xing)(xing)為強化(hua)學習(xi)模型(xing)(xing)；

5、根據運行策略(lve)控(kong)制新能源儲能設備進行充放電操作。

6、進一步(bu)地，所(suo)述天氣數據(ju)包(bao)括(kuo)光照強度、水電站水位與(yu)風速；新(xin)能源產區結(jie)構(gou)系數包(bao)括(kuo)1與(yu)0；所(suo)述新(xin)能源產能預估(gu)模型的構(gou)建方(fang)法(fa)包(bao)括(kuo)：

7、將每組天氣數據、新能(neng)源(yuan)產區結構系(xi)(xi)數與(yu)(yu)新能(neng)源(yuan)產區預計產能(neng)轉(zhuan)換為第(di)一(yi)特征向(xiang)量(liang)的形式，第(di)一(yi)特征向(xiang)量(liang)中(zhong)的元素包括光照強度、水(shui)電站(zhan)水(shui)位、風速、新能(neng)源(yuan)產區結構系(xi)(xi)數與(yu)(yu)新能(neng)源(yuan)產區預計產能(neng)；

8、將所(suo)有第(di)一特(te)(te)征向量(liang)的(de)(de)(de)集合作(zuo)為新能(neng)(neng)源產能(neng)(neng)預(yu)(yu)估模型的(de)(de)(de)輸(shu)入，所(suo)述新能(neng)(neng)源產能(neng)(neng)預(yu)(yu)估模型以對(dui)每(mei)組(zu)第(di)一特(te)(te)征向量(liang)預(yu)(yu)測的(de)(de)(de)新能(neng)(neng)源產能(neng)(neng)變(bian)化時(shi)間(jian)序(xu)列作(zuo)為輸(shu)出，以每(mei)組(zu)第(di)一特(te)(te)征向量(liang)對(dui)應(ying)的(de)(de)(de)實際新能(neng)(neng)源產能(neng)(neng)變(bian)化時(shi)間(jian)序(xu)列作(zuo)為預(yu)(yu)測目標，以最小(xiao)化所(suo)有預(yu)(yu)測的(de)(de)(de)新能(neng)(neng)源產能(neng)(neng)變(bian)化時(shi)間(jian)序(xu)列的(de)(de)(de)第(di)一預(yu)(yu)測準確度(du)之和作(zuo)為訓練目標；

9、其中，第一預(yu)測(ce)(ce)準(zhun)(zhun)(zhun)確度的(de)計算公式(shi)為(wei)：，其中，為(wei)第一預(yu)測(ce)(ce)準(zhun)(zhun)(zhun)確度，為(wei)第組(zu)(zu)第一特征向(xiang)(xiang)量(liang)(liang)對應的(de)預(yu)測(ce)(ce)的(de)新能(neng)(neng)源產能(neng)(neng)變化時(shi)間序列，為(wei)第組(zu)(zu)第一特征向(xiang)(xiang)量(liang)(liang)對應的(de)實際新能(neng)(neng)源產能(neng)(neng)變化時(shi)間序列；表示第一特征向(xiang)(xiang)量(liang)(liang)的(de)組(zu)(zu)號；對新能(neng)(neng)源產能(neng)(neng)預(yu)估(gu)模型進行訓(xun)練(lian)，直至第一預(yu)測(ce)(ce)準(zhun)(zhun)(zhun)確度之(zhi)和(he)達到收斂(lian)時(shi)停止訓(xun)練(lian)；所述新能(neng)(neng)源產能(neng)(neng)預(yu)估(gu)模型為(wei)rnn模型或cnn模型。

10、進一步(bu)地(di)，所述儲能控制(zhi)策(ce)略調整模型的(de)結構(gou)定義(yi)包括：

11、定義狀態(tai)空間：

12、狀態s為新能(neng)源產(chan)能(neng)與電能(neng)需求量(liang)；狀態向量(liang)維(wei)度設(she)為2；

13、定義動作空間：

14、動(dong)作a為下一個(ge)時間(jian)點(dian)的儲能充(chong)電(dian)功率和放(fang)電(dian)功率，a={充(chong)電(dian)a1，放(fang)電(dian)a2}；其中(zhong)a1為0-1之間(jian)浮(fu)點(dian)數，代表充(chong)電(dian)比(bi)例，a2為0-1之間(jian)浮(fu)點(dian)數，代表放(fang)電(dian)比(bi)例。

15、進一步地，所述儲能控制策略調(diao)整模型的結構與訓(xun)練設計包括(kuo)：

16、設計actor網(wang)絡結構：

17、actor網絡結構(gou)包(bao)括(kuo)1個(ge)(ge)第(di)(di)(di)一(yi)輸入層(ceng)(ceng)、2個(ge)(ge)隱藏(zang)(zang)層(ceng)(ceng)與(yu)1個(ge)(ge)第(di)(di)(di)一(yi)輸出層(ceng)(ceng)；第(di)(di)(di)一(yi)輸入層(ceng)(ceng)的狀態向量(liang)為(wei)(wei)2個(ge)(ge)；2個(ge)(ge)隱藏(zang)(zang)層(ceng)(ceng)包(bao)括(kuo)第(di)(di)(di)一(yi)隱藏(zang)(zang)層(ceng)(ceng)與(yu)第(di)(di)(di)二隱藏(zang)(zang)層(ceng)(ceng)，第(di)(di)(di)一(yi)隱藏(zang)(zang)層(ceng)(ceng)包(bao)括(kuo)32個(ge)(ge)節點(dian)(dian)，激活函(han)(han)數為(wei)(wei)relu，第(di)(di)(di)二隱藏(zang)(zang)層(ceng)(ceng)包(bao)括(kuo)16個(ge)(ge)節點(dian)(dian)，激活函(han)(han)數為(wei)(wei)relu；第(di)(di)(di)一(yi)輸出層(ceng)(ceng)節點(dian)(dian)數為(wei)(wei)2，有3維連續動作(zuo)值，無激活函(han)(han)數；

18、設(she)計critic網絡結構：

19、critic網絡結構(gou)包括1個(ge)(ge)(ge)(ge)第(di)(di)(di)(di)二(er)輸(shu)入層(ceng)、2個(ge)(ge)(ge)(ge)隱(yin)藏(zang)(zang)層(ceng)與1個(ge)(ge)(ge)(ge)第(di)(di)(di)(di)二(er)輸(shu)出(chu)層(ceng)；第(di)(di)(di)(di)二(er)輸(shu)入層(ceng)的(de)狀態向(xiang)量為4個(ge)(ge)(ge)(ge)；2個(ge)(ge)(ge)(ge)隱(yin)藏(zang)(zang)層(ceng)包括第(di)(di)(di)(di)三隱(yin)藏(zang)(zang)層(ceng)與第(di)(di)(di)(di)四隱(yin)藏(zang)(zang)層(ceng)，第(di)(di)(di)(di)三隱(yin)藏(zang)(zang)層(ceng)包括64個(ge)(ge)(ge)(ge)節點，激活函(han)數為relu，第(di)(di)(di)(di)四隱(yin)藏(zang)(zang)層(ceng)包括32個(ge)(ge)(ge)(ge)節點，激活函(han)數為relu；第(di)(di)(di)(di)二(er)輸(shu)出(chu)層(ceng)包括1個(ge)(ge)(ge)(ge)節點，無激活函(han)數；

20、設(she)計(ji)訓練配置：

21、actor網絡(luo)學(xue)習(xi)率(lv)(lv)α_actor=0.0001；critic網絡(luo)學(xue)習(xi)率(lv)(lv)α_critic=0.001；

22、經驗回(hui)放存儲器大(da)小d=10000；批(pi)大(da)小b=64；更新(xin)網絡步長τ=0.001；折(zhe)扣因子=0.99。

23、進一(yi)步地，所述儲能控制策略調整(zheng)模型的環境反饋(kui)包括(kuo)：

24、選擇(ze)隨(sui)機動(dong)作a，獲取環境反饋(，，done)，表示選擇(ze)動(dong)作后獲得的獎勵值；獎勵值計算方法包括：

25、?；

26、；

27、；

28、式中，表示滿(man)足(zu)需求獎勵(li)；表示功率(lv)(lv)波(bo)動懲(cheng)罰；為電(dian)力系(xi)(xi)統負荷，代表電(dian)能(neng)需求量(liang)；為放出或吸收(shou)的(de)(de)(de)電(dian)量(liang)，即動作變量(liang)；為上一時間點的(de)(de)(de)狀(zhuang)態(tai)向量(liang)；為當(dang)前時間點的(de)(de)(de)狀(zhuang)態(tai)向量(liang)；為滿(man)足(zu)需求獎勵(li)項的(de)(de)(de)權(quan)重(zhong)系(xi)(xi)數，為功率(lv)(lv)波(bo)動懲(cheng)罰項的(de)(de)(de)權(quan)重(zhong)系(xi)(xi)數；總負荷容(rong)量(liang)表示電(dian)力系(xi)(xi)統負荷的(de)(de)(de)最大(da)范(fan)圍；

29、done是表示是否為(wei)(wei)終止狀(zhuang)態的(de)(de)標志，若(ruo)任務完成，則(ze)done?=?true，若(ruo)任務失(shi)敗(bai)，done?=?true，若(ruo)為(wei)(wei)非終止狀(zhuang)態，任務仍在(zai)繼續，則(ze)done?=?false；為(wei)(wei)下一個狀(zhuang)態；將每一次訓練后(hou)的(de)(de)動作a與所對(dui)應的(de)(de)環(huan)境反饋(kui)保存至經驗回放存儲(chu)器(qi)。

30、進一步地，所述儲能控制策略調整模型的訓(xun)練方(fang)法包括：

31、將經驗回放存儲器(qi)中的動作a與所對(dui)應的環境反(fan)饋分成(cheng)訓練集與驗證集；

32、計算當前critic網絡評(ping)估的值(zhi)：；

33、式中，表(biao)示使用當前critic網絡；

34、計算critic網絡目標值(zhi)：

35、；

36、式(shi)中，是(shi)critic網(wang)絡對(dui)下(xia)一(yi)個狀態進行評(ping)估而得出的質量值(zhi)；

37、計算actor網絡(luo)梯(ti)度：

38、；

39、式中，是根據產生的(de)動作；是一個(ge)(ge)jacobian矩陣(zhen)(zhen)，jacobian矩陣(zhen)(zhen)每個(ge)(ge)元(yuan)素均是critic網(wang)(wang)絡(luo)學習到(dao)的(de)對(dui)actor網(wang)(wang)絡(luo)參數(shu)每個(ge)(ge)維度的(de)偏導(dao)數(shu)；表示動作對(dui)actor網(wang)(wang)絡(luo)參數(shu)的(de)梯度；

40、計算損失值：

41、；

42、不斷使用訓(xun)練(lian)集訓(xun)練(lian)模(mo)型，直至持(chi)續(xu)下降并收斂則訓(xun)練(lian)結束(shu)。

43、進一(yi)步地，還包括(kuo)：

44、收集空(kong)氣污染物濃度數據；

45、將空氣污染物濃度數(shu)據、新能(neng)源(yuan)產區結構系數(shu)與新能(neng)源(yuan)產能(neng)變化時間序列(lie)輸入至(zhi)預構建的(de)人為影響因(yin)素預測(ce)模型，輸出最終新能(neng)源(yuan)產能(neng)變化時間序列(lie)。

46、進一(yi)步地(di)，所(suo)述人為影響因素預測模型的(de)構建方(fang)法包括：

47、預先收集a組空(kong)氣污(wu)染物(wu)濃度(du)數(shu)據、新(xin)(xin)(xin)(xin)能(neng)(neng)源(yuan)產(chan)(chan)區結構系(xi)數(shu)、新(xin)(xin)(xin)(xin)能(neng)(neng)源(yuan)產(chan)(chan)能(neng)(neng)變(bian)化時間(jian)序(xu)(xu)列與新(xin)(xin)(xin)(xin)能(neng)(neng)源(yuan)產(chan)(chan)能(neng)(neng)變(bian)化時間(jian)序(xu)(xu)列對(dui)應(ying)(ying)的最終新(xin)(xin)(xin)(xin)能(neng)(neng)源(yuan)產(chan)(chan)能(neng)(neng)變(bian)化時間(jian)序(xu)(xu)列，將(jiang)空(kong)氣污(wu)染物(wu)濃度(du)數(shu)據、新(xin)(xin)(xin)(xin)能(neng)(neng)源(yuan)產(chan)(chan)區結構系(xi)數(shu)、新(xin)(xin)(xin)(xin)能(neng)(neng)源(yuan)產(chan)(chan)能(neng)(neng)變(bian)化時間(jian)序(xu)(xu)列與最終新(xin)(xin)(xin)(xin)能(neng)(neng)源(yuan)產(chan)(chan)能(neng)(neng)變(bian)化時間(jian)序(xu)(xu)列轉(zhuan)換為對(dui)應(ying)(ying)的一組第(di)二特征(zheng)向量；

48、將每組(zu)第(di)二特(te)征向量作為(wei)(wei)人(ren)為(wei)(wei)影響因素預(yu)測模型(xing)的(de)輸(shu)入，所述人(ren)為(wei)(wei)影響因素預(yu)測模型(xing)以(yi)(yi)每組(zu)空氣(qi)(qi)污(wu)(wu)染物濃(nong)(nong)度(du)數(shu)據(ju)(ju)(ju)、新(xin)(xin)(xin)能(neng)(neng)(neng)(neng)(neng)源(yuan)(yuan)產(chan)(chan)(chan)區(qu)結構(gou)(gou)系數(shu)與新(xin)(xin)(xin)能(neng)(neng)(neng)(neng)(neng)源(yuan)(yuan)產(chan)(chan)(chan)能(neng)(neng)(neng)(neng)(neng)變(bian)化(hua)(hua)(hua)(hua)時(shi)間(jian)(jian)(jian)序(xu)(xu)列(lie)對應的(de)一組(zu)最終新(xin)(xin)(xin)能(neng)(neng)(neng)(neng)(neng)源(yuan)(yuan)產(chan)(chan)(chan)能(neng)(neng)(neng)(neng)(neng)變(bian)化(hua)(hua)(hua)(hua)時(shi)間(jian)(jian)(jian)序(xu)(xu)列(lie)作為(wei)(wei)輸(shu)出，以(yi)(yi)每組(zu)空氣(qi)(qi)污(wu)(wu)染物濃(nong)(nong)度(du)數(shu)據(ju)(ju)(ju)、新(xin)(xin)(xin)能(neng)(neng)(neng)(neng)(neng)源(yuan)(yuan)產(chan)(chan)(chan)區(qu)結構(gou)(gou)系數(shu)與新(xin)(xin)(xin)能(neng)(neng)(neng)(neng)(neng)源(yuan)(yuan)產(chan)(chan)(chan)能(neng)(neng)(neng)(neng)(neng)變(bian)化(hua)(hua)(hua)(hua)時(shi)間(jian)(jian)(jian)序(xu)(xu)列(lie)對應的(de)實(shi)際(ji)最終新(xin)(xin)(xin)能(neng)(neng)(neng)(neng)(neng)源(yuan)(yuan)產(chan)(chan)(chan)能(neng)(neng)(neng)(neng)(neng)變(bian)化(hua)(hua)(hua)(hua)時(shi)間(jian)(jian)(jian)序(xu)(xu)列(lie)作為(wei)(wei)預(yu)測目標；以(yi)(yi)最小(xiao)化(hua)(hua)(hua)(hua)所有空氣(qi)(qi)污(wu)(wu)染物濃(nong)(nong)度(du)數(shu)據(ju)(ju)(ju)、新(xin)(xin)(xin)能(neng)(neng)(neng)(neng)(neng)源(yuan)(yuan)產(chan)(chan)(chan)區(qu)結構(gou)(gou)系數(shu)與新(xin)(xin)(xin)能(neng)(neng)(neng)(neng)(neng)源(yuan)(yuan)產(chan)(chan)(chan)能(neng)(neng)(neng)(neng)(neng)變(bian)化(hua)(hua)(hua)(hua)時(shi)間(jian)(jian)(jian)序(xu)(xu)列(lie)的(de)預(yu)測誤差(cha)之和作為(wei)(wei)訓練(lian)目標；其中(zhong)，預(yu)測誤差(cha)的(de)計算公式為(wei)(wei)，其中(zhong)為(wei)(wei)預(yu)測誤差(cha)，??為(wei)(wei)第(di)h組(zu)空氣(qi)(qi)污(wu)(wu)染物濃(nong)(nong)度(du)數(shu)據(ju)(ju)(ju)、新(xin)(xin)(xin)能(neng)(neng)(neng)(neng)(neng)源(yuan)(yuan)產(chan)(chan)(chan)區(qu)結構(gou)(gou)系數(shu)與新(xin)(xin)(xin)能(neng)(neng)(neng)(neng)(neng)源(yuan)(yuan)產(chan)(chan)(chan)能(neng)(neng)(neng)(neng)(neng)變(bian)化(hua)(hua)(hua)(hua)時(shi)間(jian)(jian)(jian)序(xu)(xu)列(lie)對應的(de)最終新(xin)(xin)(xin)能(neng)(neng)(neng)(neng)(neng)源(yuan)(yuan)產(chan)(chan)(chan)能(neng)(neng)(neng)(neng)(neng)變(bian)化(hua)(hua)(hua)(hua)時(shi)間(jian)(jian)(jian)序(xu)(xu)列(lie)，?為(wei)(wei)第(di)h組(zu)空氣(qi)(qi)污(wu)(wu)染物濃(nong)(nong)度(du)數(shu)據(ju)(ju)(ju)、新(xin)(xin)(xin)能(neng)(neng)(neng)(neng)(neng)源(yuan)(yuan)產(chan)(chan)(chan)區(qu)結構(gou)(gou)系數(shu)與新(xin)(xin)(xin)能(neng)(neng)(neng)(neng)(neng)源(yuan)(yuan)產(chan)(chan)(chan)能(neng)(neng)(neng)(neng)(neng)變(bian)化(hua)(hua)(hua)(hua)時(shi)間(jian)(jian)(jian)序(xu)(xu)列(lie)對應的(de)實(shi)際(ji)最終新(xin)(xin)(xin)能(neng)(neng)(neng)(neng)(neng)源(yuan)(yuan)產(chan)(chan)(chan)能(neng)(neng)(neng)(neng)(neng)變(bian)化(hua)(hua)(hua)(hua)時(shi)間(jian)(jian)(jian)序(xu)(xu)列(lie)，h為(wei)(wei)第(di)二特(te)征向量組(zu)號(hao)；對人(ren)為(wei)(wei)影響因素預(yu)測模型(xing)進行訓練(lian)，直至預(yu)測誤差(cha)之和達到收斂時(shi)停(ting)止訓練(lian)；所述人(ren)為(wei)(wei)影響因素預(yu)測模型(xing)為(wei)(wei)rnn模型(xing)。

49、基于機器學(xue)習驅(qu)動新能源儲(chu)能智能化運行控制(zhi)系統(tong)，系統(tong)包(bao)括：

50、收集模塊：用于(yu)收集空(kong)氣(qi)(qi)污染物濃度數據、天氣(qi)(qi)數據、新能(neng)源(yuan)產(chan)(chan)區結構系數、新能(neng)源(yuan)產(chan)(chan)區預(yu)計產(chan)(chan)能(neng)與電能(neng)需(xu)求量(liang)；

51、第(di)一產能(neng)(neng)預(yu)(yu)估模(mo)型：用于將天氣數(shu)(shu)據、新(xin)能(neng)(neng)源產區(qu)結(jie)構(gou)系數(shu)(shu)與新(xin)能(neng)(neng)源產區(qu)預(yu)(yu)計產能(neng)(neng)輸(shu)入(ru)至預(yu)(yu)構(gou)建的新(xin)能(neng)(neng)源產能(neng)(neng)預(yu)(yu)估模(mo)型輸(shu)出(chu)新(xin)能(neng)(neng)源產能(neng)(neng)變化時間序列；

52、第二產(chan)能(neng)預(yu)估模型(xing)：用于將空(kong)氣污染物(wu)濃度數據、新(xin)(xin)能(neng)源產(chan)區結構(gou)系數與新(xin)(xin)能(neng)源產(chan)能(neng)變(bian)化時(shi)間序列(lie)輸(shu)入至預(yu)構(gou)建的(de)人為影響因素預(yu)測模型(xing)，輸(shu)出最終新(xin)(xin)能(neng)源產(chan)能(neng)變(bian)化時(shi)間序列(lie)；

53、運行(xing)策略(lve)(lve)輸(shu)出模(mo)(mo)塊：用于(yu)輸(shu)入(ru)最終(zhong)新能(neng)(neng)源產(chan)能(neng)(neng)變化時(shi)間序列與電能(neng)(neng)需求量(liang)至儲能(neng)(neng)控制(zhi)策略(lve)(lve)調整模(mo)(mo)型輸(shu)出運行(xing)策略(lve)(lve)；

54、控制模塊：用于根據運行策略(lve)控制新(xin)能源儲能設備進行充放電(dian)操作。

55、一種電子設備，包括存儲器(qi)、處(chu)理(li)器(qi)以及存儲在存儲器(qi)上并可(ke)在處(chu)理(li)器(qi)上運(yun)行的(de)(de)計算機(ji)程序(xu)，所述處(chu)理(li)器(qi)執行所述計算機(ji)程序(xu)時，實(shi)現(xian)所述的(de)(de)基于機(ji)器(qi)學習驅動新能源儲能智(zhi)能化運(yun)行控制方(fang)法(fa)。

56、一種計(ji)(ji)算(suan)機(ji)(ji)可讀存(cun)儲(chu)(chu)介(jie)質，所述計(ji)(ji)算(suan)機(ji)(ji)可讀存(cun)儲(chu)(chu)介(jie)質上存(cun)儲(chu)(chu)有(you)計(ji)(ji)算(suan)機(ji)(ji)程(cheng)序，所述計(ji)(ji)算(suan)機(ji)(ji)程(cheng)序被執行(xing)時(shi)，實現所述的基于機(ji)(ji)器(qi)學(xue)習驅動新能(neng)源儲(chu)(chu)能(neng)智能(neng)化(hua)運行(xing)控(kong)制方(fang)法。

57、本發明(ming)提供的基于機器學習驅動新能(neng)源儲能(neng)智能(neng)化運行控制(zhi)系統及(ji)方(fang)法的技(ji)術效果和(he)優點：

58、本發明(ming)通過(guo)(guo)收(shou)集(ji)詳細(xi)的(de)(de)(de)天氣數據和(he)新能(neng)(neng)源(yuan)產(chan)(chan)區結(jie)構(gou)信息，利用(yong)機器學習(xi)(xi)模型即新能(neng)(neng)源(yuan)產(chan)(chan)能(neng)(neng)預(yu)(yu)估模型，能(neng)(neng)夠更(geng)(geng)準確(que)(que)地預(yu)(yu)測(ce)新能(neng)(neng)源(yuan)(如光伏、風(feng)能(neng)(neng)、水電(dian))在(zai)不(bu)同(tong)條件下(xia)的(de)(de)(de)產(chan)(chan)能(neng)(neng)變化趨勢，為(wei)儲(chu)能(neng)(neng)系(xi)統的(de)(de)(de)運(yun)行(xing)(xing)控(kong)制(zhi)提(ti)供依據。本發明(ming)識別到人為(wei)活動(dong)也(ye)會影響新能(neng)(neng)源(yuan)產(chan)(chan)能(neng)(neng)，通過(guo)(guo)收(shou)集(ji)環(huan)境數據并(bing)建立人為(wei)影響預(yu)(yu)測(ce)模型，可(ke)(ke)以定(ding)(ding)量評估人為(wei)影響程度，進一(yi)步(bu)優化產(chan)(chan)能(neng)(neng)預(yu)(yu)測(ce)準確(que)(que)度。本發明(ming)基(ji)于準確(que)(que)的(de)(de)(de)產(chan)(chan)能(neng)(neng)預(yu)(yu)測(ce)和(he)電(dian)力負(fu)載信息，利用(yong)強(qiang)化學習(xi)(xi)的(de)(de)(de)儲(chu)能(neng)(neng)控(kong)制(zhi)策略模型可(ke)(ke)以實時感知環(huan)境狀(zhuang)態，動(dong)態調整(zheng)儲(chu)能(neng)(neng)設備的(de)(de)(de)充(chong)電(dian)和(he)放電(dian)動(dong)作，有(you)效滿足電(dian)力需(xu)求(qiu)同(tong)時控(kong)制(zhi)功率波動(dong)。本發明(ming)通過(guo)(guo)智(zhi)能(neng)(neng)預(yu)(yu)測(ce)控(kong)制(zhi)，可(ke)(ke)在(zai)一(yi)定(ding)(ding)程度上平衡新能(neng)(neng)源(yuan)的(de)(de)(de)不(bu)穩定(ding)(ding)性(xing)，最大限度滿足用(yong)電(dian)需(xu)求(qiu)，從(cong)而提(ti)高新能(neng)(neng)源(yuan)的(de)(de)(de)利用(yong)率。本發明(ming)基(ji)于機器學習(xi)(xi)的(de)(de)(de)算法(fa)設計(ji)具有(you)很強(qiang)的(de)(de)(de)可(ke)(ke)擴展性(xing)，模型可(ke)(ke)以不(bu)斷學習(xi)(xi)更(geng)(geng)新以適應新能(neng)(neng)源(yuan)結(jie)構(gou)不(bu)斷變化的(de)(de)(de)特性(xing)。本發明(ming)相比傳統方法(fa)，該方案更(geng)(geng)加智(zhi)能(neng)(neng)和(he)剛(gang)性(xing)，能(neng)(neng)有(you)效控(kong)制(zhi)系(xi)統運(yun)行(xing)(xing)風(feng)險，使(shi)儲(chu)能(neng)(neng)系(xi)統長期穩定(ding)(ding)可(ke)(ke)靠運(yun)行(xing)(xing)。