CN104578135B - 一种基于异构储能系统的功率可预测性控制方法 - Google Patents

Abstract

本发明涉及一种基于异构储能系统的功率可预测性控制方法，该控制方法通过对异构储能系统建立成本模型，以成本最低为目标，采用遗传算法对神经网络的参数进行优化，并以优化后的神经网络控制异构储能系统运行时的充/放电。与现有技术相比，本发明保证了新能源发电入网电量的可预测性，提高新能源入网功率的稳定性，同时能够降低控制系统运行成本，提高系统运行寿命。

Description

一种基于异构储能系统的功率可预测性控制方法

技术领域

本发明涉及新能源发电并网技术领域，尤其是涉及一种基于异构储能系统的功率可预测性控制方法。

背景技术

随着全球的能源枯竭和环境恶化等问题的日益严重，新能源因其可再生、无污染等突出优势越来越受到人们的重视。但新能源(如风能、太阳能等)与传统能源相比，受自然条件(如季节、地域等)的影响，具有发电不稳定、不可预测的特性，这为新能源并网带来了挑战。

目前，为了让新能源的使用过程中摆脱对自然条件的依赖，使新能源并网功率消除波动，提高新能源入网可测性的方法有通过硬件技术来调节并使得输出功率平滑，但调节能力有限，并使新能源的利用率下降。更多的方法则是通过大容量的储能系统来实现，能量存储系统不仅通过技术手段将有用的能量存储起来，以调整电力供求之间的不平衡。还可以向电网输送稳定的电能。但大容量的储能系统也意味着高的成本消耗。同时随着能源系统的规模越来越大，储能强度高的存储系统同时也面临着技术和成本的考验。目前的能源存储技术主要分为四大类：电化学储能、机械储能和热能储能。每种存储技术都有其存储特性和成本，可以满足不同的需求。它们之间的不同主要在于：容量、能量转换率、充/放电效率、使用寿命、初始投入成本和总体运营成本。目前在对新能源储能技术的研究与应用中主要采用单一的储能技术，如电化学储能中的铅酸电池、锂电池等。它们一次性投入成本不高，技术成熟，安全可靠，但能量转化率较低，并且系统运行维护所需成本较高，系统寿命也较低。在电磁储能中有电容、超级电容储能等。它们具有能量转换率高，系统寿命长等优点，但是一次性投入成本较高。而机械储能中则包含压缩空气储能、抽水储能等，储能效率高，规模大，但它们对地理或地质环境存在着特殊的要求，安全性能要求较高，并且一次性投入成本非常高。也有相关工作提出了结合多种存储介质构建储能系统，研究了在多储能介质下系统的最长生命周期。但对于系统的整体运营成本，缺乏全面的考虑。

在成本计算方面，目前的工作主要考虑了储能系统的初始投入成本，但是对长期成本并未进行考虑。而由于新能源发电站的设计寿命往往为10到20年，长期的储能系统投入在整个系统构建及使用过程中是至关重要的。

本发明正是为了解决以上主要问题而发明的基于异构存储系统的新能源可预测性控制框架。提出了系统运行成本模型，并提出了用基于人工神经网络的控制算法来保证新能源发电入网电量的可预测性，同时能够降低控制系统运行成本，提高系统运行寿命。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于异构储能系统的功率可预测性控制方法，保证新能源入网的可测性，提高新能源入网功率的稳定性，同时能够降低控制系统运行成本，提高系统运行寿命。

本发明的目的可以通过以下技术方案来实现：

一种基于异构储能系统的功率可预测性控制方法，该控制方法通过对异构储能系统建立成本模型，以成本最低为目标，采用遗传算法对神经网络的参数进行优化，并以优化后的神经网络控制异构储能系统运行时的充/放电。

所述的异构储能系统是指至少包括两种储能介质的储能系统。

所述的储能介质包括电化学储能、机械储能、电磁储能或热能储能。

所述的成本模型为：

$\mathrm{Cost}={\mathrm{\Σ}}_{i=1}^n\frac{{\mathrm{\μ}}_i{J}_i}{{\mathrm{CP}}_i}\×\frac{C_{\mathrm{is}}}{N_i}$

s.t.n≥2

式中，i表示第i种储能介质，n为储能介质种类数，μ_i表示第i种储能介质每千瓦时的成本，J_i表示其储能量，CP表示其储能率，C_is表示在生命周期内该储能介质的最大充放电次数，N_i表示该储能介质的每天充放电次数。

所述的神经网络为包括输入层、隐藏层、输出层的三层神经网络。

所述的采用遗传算法对神经网络的参数进行优化具体为：

101)定义遗传算法中的染色体为：

$\{J_1,...,J_n,w_1,...,w_r,{\stackrel{\·}{w}}_1,...,{\stackrel{\·}{w}}_s\}$

其中，J₁，...，J_n为各储能介质的储能量，w₁，...，w_r表示输入层到隐藏层之间的权值，r为输入层神经元数与隐藏层神经元数的乘积，表示隐藏层到输出层之间的权值，s为隐藏层神经元数与输出层神经元数的乘积；

102)产生初始种群，根据成本模型计算种群中各个体的成本；

103)以成本最小为目标，初始种群依次通过选择、交叉、变异操作进行循环，获得具有最小成本的染色体；

104)以具有最小成本的染色体作为神经网络的参数。

所述的以优化后的神经网络控制异构储能系统的输出具体为：

201)以新能源预测输出、新能源实际输出、储能介质储能量及储能介质充电状态作为神经网络的输入，输出各储能介质的输出；

202)判断各储能介质的输出是否在异构储能系统中元器件的约束条件之内，若是，则执行步骤203)，若否，则调整各储能介质的输出；

203)根据步骤202)得到的各储能介质的输出控制异构储能系统的充/放电。

所述的约束条件包括储能量约束条件、能量转换率约束条件和充/放电率约束条件。

所述的步骤203)具体为：

若某储能介质的输出为负的，则该储能介质进行充电，反之，则该储能介质进行放电。

与现有技术相比，本发明采用多种储能介质的储能框架，并对此储能系统构造成本模型，采用人工神经网络控制算法对整个框架进行控制，保证新能源入网的可测性，提高新能源入网功率的稳定性，同时保证系统长期成本最优，提高系统运行寿命。

附图说明

图1为本发明基于人工神经网络的新能源发电运行时控制过程示意图；

图2为本发明采用遗传算法对人工神经网络进行训练的过程示意图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

一种基于异构储能系统的功率可预测性控制方法，该控制方法通过对异构储能系统建立成本模型，以成本最低为目标，采用遗传算法对神经网络的参数进行优化，并以优化后的神经网络控制异构储能系统运行时的充/放电。所述的异构储能系统是指至少包括两种储能介质的储能系统。储能介质包括电化学储能、机械储能、电磁储能或热能储能。

所述的成本模型为：

$\mathrm{Cost}={\mathrm{\Σ}}_{i=1}^n\frac{{\mathrm{\μ}}_i{J}_i}{{\mathrm{CP}}_i}\×\frac{C_{\mathrm{is}}}{N_i}---\left(1\right)$

s.t.n≥2

式中，i表示第i种储能介质，n为储能介质种类数，μ_i表示第i种储能介质每千瓦时的成本，J_i表示其储能量，CP表示其储能率，C_is表示在生命周期内该储能介质的最大充放电次数(cycle life)，N_i表示该储能介质的每天充放电次数(charge cycle)，则表示在系统生命周期内，系统所需的该储能介质的数量。

神经网络采用包括输入层、隐藏层、输出层的三层神经网络：

输入层：P，J₁，...，J_n，SOC₁，...，SOC_n；

隐藏层：2n+2个隐藏的神经元；

输出层：n个储能介质的输出功率。

其中P表示新能源实际输出，表示新能源预测输出，J_i(i＝1，...，n)表示第i种储能介质的储能量，SOC_i(i＝1，...，n)表示第i种储能介质的当前充电状态。该神经网络中，用双极S型函数作为隐藏层激活函数，用线性函数作为输出层激活函数。利用上述网络结构，即可以在运行时决定每个组件的输入/输出。如果储能介质在系统中输出是负的，该组件就进行充电，否则就放电。

根据历史数据，采用遗传算法对人工神经网络进行设计和训练，训练函数采用成本模型公式，即公式(1)。通过训练，找到系统的最优配置参数，具体为：

101)定义遗传算法中的染色体为：

$\{J_1,...,J_n,w_1,...,w_r,{\stackrel{\·}{w}}_1,...,{\stackrel{\·}{w}}_s\}---\left(2\right)$

其中，J₁，…，J_n为各储能介质的储能量，w₁，…，w_r表示输入层到隐藏层之间的权值，r为输入层神经元数与隐藏层神经元数的乘积，表示隐藏层到输出层之间的权值，s为隐藏层神经元数与输出层神经元数的乘积；

102)产生k个个体作为初始种群P，以进行N次迭代，根据成本模型计算种群中各个体的成本，即个体的适应度；

计算每个个体的适应度时，判断在超过90％时间内实际风能输出和预测输出之间的差值是否小于0.04，如果不小于，则将适应度调至无穷大；

103)以成本最小为目标，初始种群依次通过选择、交叉、变异操作进行循环，获得具有最小成本的染色体，选择、交叉、变异操作具体如下：

●选择：根据公式(1)计算出的成本，选出其中成本较小的1/2作为初始种群；

●交叉：随机将种群划分成两个子种群，其次随机|P|次，分别从两个子种群中选择个体，两个染色体对应的实体之间以一定的交叉概率进行交叉；

●变异：最后合并两个子种群得到新种群，通过对新种群的每个个体进行变异，以η(η＞0)作为变异率，变异算子采用在[-η％，η％]范围内的随机噪音，对同一染色体内的不同个体进行变异操作。

104)最终形成具有最小代价的个体，以具有最小成本的染色体作为神经网络的参数。

该算法流程图如图2所示。算法具体描述如下：

如图1所示，以优化后的神经网络控制异构储能系统的输出具体为：

201)采集新能源及储能介质的状态信息，以新能源预测输出、新能源实际输出、储能介质储能量及储能介质充电状态作为神经网络的输入，输出各储能介质的输出；

202)判断各储能介质的输出是否在异构储能系统中元器件的约束条件之内，若是，则执行步骤203)，若否，则调整各储能介质的输出，使其满足约束条件；所述的约束条件包括储能量约束条件、能量转换率约束条件和充/放电率约束条件，如储能介质的额定容量等；

203)根据步骤202)得到的各储能介质的输出控制异构储能系统的充/放电，若某储能介质的输出为负的，则该储能介质进行充电，反之，则该储能介质进行放电。

以基于锂电池系统和超级电容系统构成的异构储能系统模型为例，在一个50MW，使用寿命为20年的风电场上模拟实施。储能介质由锂电池系统和超级电容系统构成。它们的能量转换率均为85％。其中超级电容成本约为37，000￥/kWh，充放电循环使用次数为100，000次，运行时能量衰减主要来自超级电容和输电总线接口电子电力的转换，衰减率为75％到90％之间。锂电池成本约为3，000￥/kWh，充放电循环使用次数在500到2000之间，具体在研究及实施过程中，选用充放电循环使用次数为1000次。锂电池系统运行时能量衰减主要来自电池本身，假定衰减率为60％。采样数据来自连续七个月的风力数据，采样间隔为7秒。

结果表明，实际的入网电量和预测入网电量明显不同，但是经过本发明控制方法之后的入网电量和预测的入网电量则非常接近。这也说明该控制方法能保证新能源发电入网电量的可预测性(预测误差在90％时间内少于4％)。从成本上分析，仅有锂电池构成的储能控制系统的一次性投入成本较低，而在系统的整个生命周期内，异构储能系统所平均每天所产生的成本比由锂电池构成的储能控制系统成本降低70％。对比结果如表1。

表1不同的控制系统在其生命周期内平均每天成本对比表

Claims (7)

1.一种基于异构储能系统的功率可预测性控制方法，其特征在于，所述的异构储能系统是指至少包括两种储能介质的储能系统，该控制方法通过对异构储能系统建立成本模型，以成本最低为目标，采用遗传算法对神经网络的参数进行优化，并以优化后的神经网络控制异构储能系统运行时的充/放电；

所述的成本模型为：

$Cost={\mathrm{\Σ}}_{i=1}^n\frac{{\mathrm{\μ}}_i{J}_i}{{\mathrm{CP}}_i}\×\frac{C_{is}}{N_i}$

s.t.n≥2

式中，i表示第i种储能介质，n为储能介质种类数，μ_i表示第i种储能介质每千瓦时的成本，J_i表示其储能量，CP表示其储能率，C_is表示在生命周期内该储能介质的最大充放电次数，N_i表示该储能介质的每天充放电次数。

2.根据权利要求1所述的一种基于异构储能系统的功率可预测性控制方法，其特征在于，所述的储能介质包括电化学储能、机械储能、电磁储能或热能储能。

3.根据权利要求1所述的一种基于异构储能系统的功率可预测性控制方法，其特征在于，所述的神经网络为包括输入层、隐藏层、输出层的三层神经网络。

4.根据权利要求3所述的一种基于异构储能系统的功率可预测性控制方法，其特征在于，所述的采用遗传算法对神经网络的参数进行优化具体为：

101)定义遗传算法中的染色体为：

$\{J_1,\mathrm{...},J_n,w_1,\mathrm{...},w_r,{\stackrel{\·}{w}}_1,\mathrm{...},{\stackrel{\·}{w}}_s\}$

其中，J₁,...,J_n为各储能介质的储能量，w₁,...,w_r表示输入层到隐藏层之间的权值，r为输入层神经元数与隐藏层神经元数的乘积，表示隐藏层到输出层之间的权值，s为隐藏层神经元数与输出层神经元数的乘积；

102)产生初始种群，根据成本模型计算种群中各个体的成本；

103)以成本最小为目标，初始种群依次通过选择、交叉、变异操作进行循环，获得具有最小成本的染色体；

104)以具有最小成本的染色体作为神经网络的参数。

5.根据权利要求4所述的一种基于异构储能系统的功率可预测性控制方法，其特征在于，所述的以优化后的神经网络控制异构储能系统的输出具体为：

201)以新能源预测输出、新能源实际输出、储能介质储能量及储能介质充电状态作为神经网络的输入，输出各储能介质的输出；

202)判断各储能介质的输出是否在异构储能系统中元器件的约束条件之内，若是，则执行步骤203)，若否，则调整各储能介质的输出；

203)根据步骤202)得到的各储能介质的输出控制异构储能系统的充/放电。

6.根据权利要求5所述的一种基于异构储能系统的功率可预测性控制方法，其特征在于，所述的约束条件包括储能量约束条件、能量转换率约束条件和充/放电率约束条件。

7.根据权利要求5所述的一种基于异构储能系统的功率可预测性控制方法，其特征在于，所述的步骤203)具体为：

若某储能介质的输出为负的，则该储能介质进行充电，反之，则该储能介质进行放电。