CN107256436A - 蓄热电锅炉与清洁能源的预测匹配和消纳控制方法 - Google Patents
蓄热电锅炉与清洁能源的预测匹配和消纳控制方法 Download PDFInfo
- Publication number
- CN107256436A CN107256436A CN201710312387.8A CN201710312387A CN107256436A CN 107256436 A CN107256436 A CN 107256436A CN 201710312387 A CN201710312387 A CN 201710312387A CN 107256436 A CN107256436 A CN 107256436A
- Authority
- CN
- China
- Prior art keywords
- msub
- mrow
- thermal storage
- electric boiler
- storage electric
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 60
- 230000006870 function Effects 0.000 claims abstract description 89
- 230000003287 optical effect Effects 0.000 claims abstract description 76
- 238000012549 training Methods 0.000 claims abstract description 41
- 230000008901 benefit Effects 0.000 claims abstract description 18
- 238000013531 bayesian neural network Methods 0.000 claims abstract description 17
- 238000013461 design Methods 0.000 claims abstract description 13
- 230000005284 excitation Effects 0.000 claims abstract description 10
- 230000007613 environmental effect Effects 0.000 claims abstract description 9
- 238000010248 power generation Methods 0.000 claims abstract description 8
- 238000013528 artificial neural network Methods 0.000 claims description 22
- 230000007935 neutral effect Effects 0.000 claims description 21
- 210000002569 neuron Anatomy 0.000 claims description 13
- 238000001514 detection method Methods 0.000 claims description 12
- 230000002068 genetic effect Effects 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 7
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 230000005611 electricity Effects 0.000 claims description 6
- 239000000446 fuel Substances 0.000 claims description 5
- 239000002131 composite material Substances 0.000 claims description 4
- 230000005855 radiation Effects 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 230000006978 adaptation Effects 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 claims description 3
- 230000035772 mutation Effects 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 238000010187 selection method Methods 0.000 claims description 3
- 230000021615 conjugation Effects 0.000 claims 1
- 230000029087 digestion Effects 0.000 abstract description 3
- 238000009825 accumulation Methods 0.000 description 7
- 210000000349 chromosome Anatomy 0.000 description 6
- 108090000623 proteins and genes Proteins 0.000 description 6
- 239000000203 mixture Substances 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000001537 neural effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 2
- 238000013213 extrapolation Methods 0.000 description 2
- 210000002364 input neuron Anatomy 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000011017 operating method Methods 0.000 description 2
- 230000005622 photoelectricity Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000003786 synthesis reaction Methods 0.000 description 2
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000005619 thermoelectricity Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/043—Architecture, e.g. interconnection topology based on fuzzy logic, fuzzy membership or fuzzy inference, e.g. adaptive neuro-fuzzy inference systems [ANFIS]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02W—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO WASTEWATER TREATMENT OR WASTE MANAGEMENT
- Y02W30/00—Technologies for solid waste management
- Y02W30/50—Reuse, recycling or recovery technologies
- Y02W30/82—Recycling of waste of electrical or electronic equipment [WEEE]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Physiology (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Genetics & Genomics (AREA)
- Game Theory and Decision Science (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Fuzzy Systems (AREA)
- Automation & Control Theory (AREA)
- Quality & Reliability (AREA)
- Mathematical Analysis (AREA)
Abstract
蓄热电锅炉与清洁能源的预测匹配和消纳控制方法,步骤1,采集气象因素数据及光伏电站弃光电量数据,经过归一化处理得到训练样本集,步骤2,设计含有输入层、隐含层、输出层的模糊贝叶斯神经网络模型,并选择激励函数、训练函数以及学习函数,步骤3,将得到的最佳网络预测模型应用在分布式光伏发电系统中,用以获取在不同气象因素条件下的光伏电站弃光电量;步骤4,在预测出光伏电站弃光电量条件下,考虑经济性能指标,通过参考预测出的光伏弃光电量,满足光伏电站与蓄热电锅炉联合运行效益最大和环境效益最大的指标,促进分布式蓄热电锅炉极限消纳弃光电量,解决现有消纳方式不灵活、消纳效率低、消纳能力不足的问题。
Description
技术领域
本发明所述涉及新能源消纳领域,具体说是采用分布式蓄热电锅炉消纳新能源系统。
背景技术
我国太阳能资源丰富,除满足光伏电厂发电需求外,还面临着大量弃光问题。新能源消纳有利于电网节能,提高经济效益促进电力企业长远发展。
由于气象环境信息、地理条件、天文等其他因素的不确定性,太阳能光伏发电系统的输出是一个非平稳、即时变化、动态特性的随机变量,具有波动性强、抗干扰能力弱、间歇性以及周期性特点的不可控的分布式能源。因此,主要考虑气象环境信息来预测未来不同时间点的太阳能光伏发电系统的实时弃光发电量,及时调整管理方案、制定最优的电站调度规划和适时调节分布式蓄热电锅炉消纳弃光的运行策略,有利于实现能源的最大化利用率。目前,仅采用遗传算法或者粒子群算法构造预测模型,缺乏对这两种算法的模型预测效果研究、预测误差较大。但是采用神经网络算法并结合数值优化算法进行光伏发电出力短期预测,取得了一定的研究成果。
我国弃光现象特别突出,大规模弃光消纳属于技术难题。目前现有的消纳方式主要有抽水蓄能电站、多能互补等方式。在抽水蓄能电站方面,一次性投入较大,设备较多,复杂,对周围环境产生一定的影响,且其在运行过程中,能源利用效率并不高,导致出现消纳能力不足的问题。在多能互补方面,能源搭配的不合理是消纳效率低的主要原因。
发明内容
发明目的:
针对上述存在的问题,本发明提出一种基于模糊贝叶斯神经网络预测模型的分布式蓄热电锅炉消纳清洁能源系统,是解决现有消纳方式不灵活、消纳效率低、消纳能力不足的问题。
技术方案:
本发明提出的技术方案包括以下步骤:
步骤1,采集气象因素数据及光伏电站弃光电量数据,经过归一化处理得到训练样本集,即D=[(x1,y1),(x2,y2),(x3,y3),...,(xn,yn)],其中,xi(i=1,2,3,...,n)表示气象因素数据,yi(i=1,2,3,...,n)表示与xi相对应的光伏电站弃光电量历史数据;
步骤2,设计含有输入层、隐含层、输出层的模糊贝叶斯神经网络模型,并选择激励函数、训练函数以及学习函数,使用模糊推理的贝叶斯理论对神经网络权值向量进行训练,得到最佳网络预测模型;
步骤3,将得到的最佳网络预测模型应用在分布式光伏发电系统中,用以获取在不同气象因素条件下的光伏电站弃光电量;
步骤4,在预测出光伏电站弃光电量条件下,考虑经济性能指标,通过PLC控制器采集N个蓄热电锅炉的温度数据、运行功率peh、消纳弃光电量qm(peh)和电能数据,电网调度中心以光伏电站与蓄热电锅炉联合运行效益最大和环境效益最大为目标,控制N个蓄热电锅炉极限消纳弃光电量;
所述的基于模糊贝叶斯神经网络预测模型的分布式蓄热电锅炉消纳清洁能源控制方法及装置,所述步骤1包括:
步骤1-1,预测光伏电站弃光电量包含两类参数:气象因素和光伏电站弃光电量数据;为提高在不同气象因素条件下预测光伏电站弃光电量的精度,提取含晴天、阴天、多云和雨(雪)天一年365组气象因素和光伏电站弃光电量数据;样本数据分为训练样本数据和检验样本数据,由样本输入和期望输出组成的样本对;
步骤1-2,为了避免神经网络误差过大及防止局部神经元达到过饱和状态,对样本数据进行归一化处理,使得样本数据均在0到1之间,网络输出向量采用反归一化处理,即得到原输出值;样本数据的归一化公式为:公式中,ψ为归一化后样本数据,φ为原始样本数据与原始样本数据最小值的比值,为原始样本数据最大值与原始样本数据最小值的比值;
所述的基于模糊贝叶斯神经网络预测模型的分布式蓄热电锅炉消纳清洁能源控制方法及装置,所述步骤2包括:
步骤2-1,用于预测光伏电站弃光电量的神经网络模型由输入层、隐含层、输出层构成;输入层由平均温度、平均太阳辐射强度、风速以及日平均湿度1组数据组成,共15个神经元节点,其中,平均温度为前一日光伏电站工作时间(8:00~19:00)整点时刻的平均温度值,即T1,T2,…,T12;隐含层由经验公式确定;输出层为光伏电站整点时刻实时弃光电量Pl,P2,…,P12;隐含层由经验公式确定,经验公式为
公式中,G为隐含层神经元数,n输入层输入神经元数,m输出层输出神经元数,a的取值范围为1~10之间的常数;
步骤2-2,建立所述模糊贝叶斯神经网络预测模型,确定模型的激励函数、训练函数、学习函数及神经网络性能指标;激励函数选择sigmod函数,即训练函数选择trainlm函数,学习函数选择贝叶斯函数,神经网络性能指标为:
预训练过程:通过预训练函数trainlm,设定训练目标、训练步数,训练误差精度,根据结果选择最佳的隐含层神经元数量;
创建一个前向神经网络:net=newff(PR,[S1,S2...SN1],{TF1,TF2...TFN1},BTF,BLF,PF),其中,向量元素从1到N1;net为创建新的神经网络;PR为网络输入元素最大值、最小值组成的矩阵;[S1,S2...SN1]表示网络隐含层和输出层神经元数量;{TF1,TF2...TFN1}表示隐含层和输出层激励函数,为sigmod函数;BTF为网络的训练函数,为trainlm函数;BLF为网络的权值学习函数,为贝叶斯函数;PF为性能函数,默认为“mse”函数;
步骤2-3创建神经网络权值集:影响神经网络运算精确性和泛化能力的权值集合用ω表示,即ω={ω1,ω2,ω3,...,ωn},其中,ωi(i=1,2,3...n)表示权值分量;
创建权值评判集:采用改进专家评分法对神经网络权值模糊化,专家首先无交流进行评分,对评分结果进行由大到小排序,首尾专家进行协商再次评分,重新排序,依次类推,直到评分完为止。评判集用V表示,即V={V1,V2,V3,...,Vn},其中,Vi(i=1,2,3...n)表示权值分量的重要程度;
进行专家评分:采用专家评分法对神经网络权值模糊化;
解模糊化:采用加权平均法进行解模糊,获得神经网络权值的先验概率,公式为:
式中,P(ωi)表示神经网络权值的先验概率,bj表示评判者人数,vi表示评判者做出可能的评判结果;
步骤2-4确定似然函数:假设目标值t1,t2,t3,...,tn是在高斯白噪声下产生的,似然函数为:
式中,ZD(γ)为归一化因子,γ为超参数;
确定权值的后验概率公式:
式中,i=(1,2,3,...,n),j=(1,2,3,...,n),为误差函数,
步骤2-5随机选取训练样本集D对模糊贝叶斯神经网络预测模型进行学习训练,用模糊知识及贝叶斯函数确定输入层-隐含层-输出层各权值,通过训练样本数据判断输出层的实际输出与期望输出是否满足神经网络性能指标要求;若未满足要求,则适当改变隐含层神经元数量,重新由模糊知识以及贝叶斯函数确定输入层-隐含层-输出层各权值,再次通过训练样本数据判断输出层的实际输出与期望输出是否满足神经网络性能指标要求;若满足要求,则训练结束,否则继续进行训练,直到满足神经网络性能指标要求为止;
所述的基于模糊贝叶斯神经网络预测模型的分布式蓄热电锅炉消纳清洁能源控制方法及装置,所述步骤3包括:
步骤3-1,利用收集的气象因素数据,按照步骤1进行归一化处理得到数据集,将数据集输入到网络预测模型对该分布式光伏发电系统在不同气象因素条件下预测光伏电站弃光电量;
所述的基于模糊贝叶斯神经网络预测模型的分布式蓄热电锅炉消纳清洁能源控制方法及装置,所述步骤4包括:
步骤4-1,分布式蓄热电锅炉消纳弃光电量系统装置
光伏电站一端与电网连接,另一端与电网调度中心和N个低压断路器连接,电网调度中心与10寸触摸显示屏和PLC以太网端口连接,10寸触摸显示屏另一端与PLC以太网端口连接,220VAC交流电与PLC电源模块连接,PLC电源模块与CPUSR60连接,CPUSR60的N组输出与N个中间继电器连接,N个中间继电器另一端与N个交流接触器连接,N个交流接触器另一端与N个低压断路器和N个熔断器连接,N个熔断器与N个蓄热电锅炉连接,N个脉冲式触发开关和N个蓄热电锅炉连接,另一端与电网调度中心连接;N个蓄热电锅炉与检测蓄热电锅炉运行功率peh模块和检测蓄热电锅炉消纳弃光电量pm(peh)模块连接,检测蓄热电锅炉运行功率peh模块和检测蓄热电锅炉消纳弃光电量pm(peh)模块与PLC以太网端口连接;M个K型热电偶温度传感器与温度巡检仪连接,温度巡检仪与PLC的RS485通信端口连接;N个蓄热电锅炉另一端与多功能电能表连接;多功能电能表与PLC的RS485端口连接;
步骤4-2,电网调度中心采集光伏电站弃光电量XXX.XXX(X∈[0,9])(不指具体数据),通过PLC控制器采集N个蓄热电锅炉温度数据、电能数据、运行功率、消纳弃光电量信息,并向PLC控制器下发调度及控制指令,促进滑动变化式蓄热电锅炉极限消纳弃光电量。当蓄热电锅炉运行故障时,电网调度中心向脉冲式触发开关发送信号,至该蓄热电锅炉退出运行。当蓄热电锅炉维修后可运行时,电网调度中心向脉冲式触发开关发送信号至该蓄热电锅炉启动运行。
步骤4-3,分布式蓄热电锅炉消纳弃光电量系统控制方法
以光伏电站与蓄热电锅炉联合运行效益最大和环境效益最大为目标,采用线性加权和法,建立分布式蓄热电锅炉消纳清洁能源控制方法的数学模型:
式中,m1表示政府对光伏电站补贴,元/kw·h,m2表示政府对节能减排补贴,元/kw·h,pw、pm表示t1、t2时段并网电价和弃光协商电价,qw表示t1时段光伏电站发电量,qm表示t2时段弃光电量,c0表示光伏电站的发电成本,元/kw·h,qf表示光伏电站t1+t2时间段总发电量,ls表示输配电成本,元/kw·h,c、d为常数,与预测弃光电量有关,peh表示蓄热电锅炉的运行功率,qm(peh)表示蓄热电锅炉消纳弃光电量,βCHP表示弃光电量t2时间段发电机组燃料利用效率,α1、α2为线性加权和法系数;
步骤4-4,系统约束条件
由于太阳能具有随机性和波动性,弃光电量约束为其中为总预测弃光电量值;蓄热电锅炉约束条件为peh.min≤peh≤peh.max,peh.min、peh.max分别表示为蓄热电锅炉运行功率的下限值与上限值,温度约束条件为Tmin≤Te≤Tmax,Tmin、Tmax分别表示为蓄热电锅炉温度下限值与上限值;发电机组燃料利用效率约束为0<βCHP<1;
步骤4-5,基于改进遗传算法和非线性规划的函数寻优算法
应用改进遗传算法和非线性规划对分布式蓄热电锅炉消纳清洁能源控制方法的数学模型参数进行优化设计,步骤如下:
a、种群初始化首先要建立种群群体,即优化变量的设计解的集合。而群体的组成个体是一定数目的二进制串,所以设计变量与个体间的映射需通过编码来实现,本文中采取浮点编码的方法,即由问题解空间的一组向量X表示一个染色体编码,故分布式蓄热电锅炉消纳清洁能源控制方法优化问题可表示为X=(x1,x2,...,xn);群体的性质变化决定遗传算法的搜索能力,而其收敛性决定算法的收敛性,为保证算法的精度和速度,通常群体规模取20-100之间。同时为了保证初始群体具有普遍性,采用一致随机方式选取初始群体。
b、适应度值计算在遗传算法和非线性规划中,采用适应度函数来区分群体中个体好坏的标准,适应值越大表明个体越优,即得到光伏电站与蓄热电锅炉联合运行效益最大和环境效益最大的目标,优化问题是最大值优化问题,必须对目标函数进行适当的转化才能与适应度建立关系,适应度的计算函数为F[f(x)]=f(x);
c、选择操作从亲代设计变量的解集合中,亲代以一定权重系数分成父代和母代,父代和母代均按照轮盘赌选择方法,计算出父代每个个体的适应度概率值:
式中F为父代个体适应度值,N为父代种群规模;母代每个个体的适应度概率值:
式中k为母代个体适应度值,M为母代种群规模。设置两个函数,适应度概率值合成函数与适应度概率值比较函数G(F(ri,kj),Tλ),Tλ为适应度概率阈值,设置为0.5。将父代适应度概率值与母代适应度概率值带入适应度概率值合成函数里,解得函数值,再带入到适应度概率值比较函数G(F(ri,kj),Tλ)里,保留G(F(ri,kj),Tλ)>0父母双亲个体,当经过交叉、变异后,淘汰掉子代适应度低于0.6的个体,由亲代按照一定权重系数将父、母代中适应度概率值高的精英个体复制到子代中。
d、交叉操作指从种群中随机选择两个个体,采用实数交叉法交换组合,将父串的优秀特征遗传给子串,产生新的优秀个体。具体交叉操作方法,例如第k个染色体ak、和第L个染色体aL在j位交叉操作方法为式中,b是[0,1]区间的随机数。
e、变异操作从种群中随机选取某个个体,对其进行变异以产生更优秀的个体。第i个个体的第j个基因aij,进行变异的操作方法为式中,amax是基因aij的上界;amin是基因aij和下界,f(g)=r2(1-g/Gmax)2,r2是一个随机数,g是当前迭代次数,Gmax是最大进化次数,r为[0,1]区间的随机数。
f、非线性寻优当遗传算法每次进化到10代后,以所得到的结果为初始值,搜索约束条件下的非线性元函数的最大值。由于分布式蓄热电锅炉消纳清洁能源控制系统参数优化是一个多变量有约束的非线性优化问题,故采取惩罚函数法来进行非线性寻优,具体步骤为:
(a)给定一串数列,{rn},rn——→0,初始点x0,精度ε>0,令k=1。
(b)构造罚函数及目标函数采用共轭方向法,以xk-1为初始点求解maxGrk(x)。
(c)若xk达到精度要求,终止算法,输出最优解;否则,令k=k+1,从b步继续。
g、判断运算遗传算法是一种向最优解逐渐逼近的、反复进化的搜索方法,故需要判断新一代群体是否满足结束条件,判断标准为是否完成所需的进化次数,如不满足,从b步骤继续进行计算。
优点效果:
综上所述,采用本发明技术方案的有益效果是:通过参考预测出的光伏弃光电量,满足光伏电站与蓄热电锅炉联合运行效益最大和环境效益最大的指标,促进分布式蓄热电锅炉极限消纳弃光电量,解决现有消纳方式不灵活、消纳效率低、消纳能力不足的问题。
附图说明
图1整体流程图;
图2模糊贝叶斯神经网络预测模型图;
图3改进遗传算法和非线性规划寻优流程图;
图4结合PLC的分布式蓄热电锅炉消纳清洁能源装置图;
具体实施方式
下面结合附图对本发明具体实施方式加以详细的说明。
基于模糊贝叶斯神经网络预测模型的分布式蓄热电锅炉消纳清洁能源控制方法及装置,如图1所示
步骤一,收集样本数据
预测光伏电站弃光电量包含两类参数:气象因素和光伏电站弃光电量数据;为提高在不同气象因素条件下预测光伏电站弃光电量的精度,气象因素、光伏电站弃光电量包含晴天、阴天、多云和雨(雪)天一年365组数据;样本数据分为训练样本数据和检验样本数据,由样本输入和期望输出组成的样本对;
为了避免神经网络误差过大及防止局部神经元达到过饱和状态,对样本数据进行归一化处理,使得样本数据均在0到1之间,网络输出向量采用反归一化处理,即得到原输出值;样本数据的归一化公式为:
式中,ψ为归一化后样本数据,φ为原始样本数据与原始样本数据最小值的比值,为原始样本数据最大值与原始样本数据最小值的比值;
步骤二,建立模糊贝叶斯神经网络模型,如图2所示
用于预测光伏电站弃光电量的神经网络模型由输入层、隐含层、输出层构成;输入层由平均温度、平均太阳辐射强度、风速以及日平均湿度1组数据组成,共15个神经元节点,其中,平均温度为前一日光伏电站工作时间(8:00~19:00)整点时刻的平均温度值,即T1,T2,…,T12;隐含层由经验公式确定;输出层为光伏电站整点时刻实时弃光电量Pl,P2,…,P12;隐含层由经验公式确定,经验公式为
公式中,G为隐含层神经元数,n输入层输入神经元数,m输出层输出神经元数,a的取值范围为1~10之间的常数;
建立所述模糊贝叶斯神经网络预测模型,确定模型的激励函数、训练函数、学习函数及神经网络性能指标;激励函数选择sigmod函数,即训练函数选择trainlm函数,学习函数选择贝叶斯函数,神经网络性能指标为:
预训练过程:通过预训练函数trainlm,设定训练目标、训练步数,训练误差精度,根据结果选择最佳的隐含层神经元数量;
创建一个前向神经网络:net=newff(PR,[S1,S2...SN1],{TF1,TF2...TFN1},BTF,BLF,PF),其中,向量元素从1到N1;net为创建新的神经网络;PR为网络输入元素最大值、最小值组成的矩阵;[S1,S2...SN1]表示网络隐含层和输出层神经元数量;{TF1,TF2...TFN1}表示隐含层和输出层激励函数,为sigmod函数;BTF为网络的训练函数,为trainlm函数;BLF为网络的权值学习函数,为贝叶斯函数;PF为性能函数,默认为“mse”函数;
创建神经网络权值集:影响神经网络运算精确性和泛化能力的权值集合用ω表示,即ω={ω1,ω2,ω3,...,ωn},其中,ωi(i=1,2,3...n)表示权值分量;
创建权值评判集:采用改进专家评分法对神经网络权值模糊化,专家首先无交流进行评分,对评分结果进行由大到小排序,首尾专家进行协商再次评分,重新排序,依次类推,直到评分完为止。评判集用V表示,即V={V1,V2,V3,...,Vn},其中,Vi(i=1,2,3...n)表示权值分量的重要程度;
进行专家评分:采用专家评分法对神经网络权值模糊化;
解模糊化:采用加权平均法进行解模糊,获得神经网络权值的先验概率,公式为:
式中,P(ωi)表示神经网络权值的先验概率,bj表示评判者人数,vi表示评判者做出可能的评判结果;
确定似然函数:假设目标值t1,t2,t3,...,tn是在高斯白噪声下产生的,似然函数为:
其中,ZD(γ)为归一化因子,γ为超参数;
确定权值的后验概率公式:
式中,i=(1,2,3,...,n),j=(1,2,3,...,n),为误差函数,
随机选取训练样本集D对模糊贝叶斯神经网络预测模型进行学习训练,用模糊知识及贝叶斯函数确定输入层-隐含层-输出层各权值,通过训练样本数据判断输出层的实际输出与期望输出是否满足神经网络性能指标要求;若未满足要求,则适当改变隐含层神经元数量,重新由模糊知识以及贝叶斯函数确定输入层-隐含层-输出层各权值,再次通过训练样本数据判断输出层的实际输出与期望输出是否满足神经网络性能指标要求;若满足要求,则训练结束,否则继续进行训练,直到满足神经网络性能指标要求为止;
步骤三,预测弃光电量
本实施案例中,对某5Kw分布式光伏电站提取含晴天、阴天、多云和雨(雪)天一年365组气象因素和光伏电站弃光电量历史数据,取其中300组作为训练样本数据,其中65组作为检验样本数据。为了避免神经网络误差过大及防止局部神经元达到过饱和状态,对样本数据进行归一化处理,使得样本数据均在0到1之间,网络输出向量采用反归一化处理,即得到原输出值;输入层由平均温度、平均太阳辐射强度、风速以及日平均湿度1组数据组成,共15个神经元节点,其中,平均温度为前一日光伏电站工作时间(8:00~19:00)整点时刻的平均温度值,即T1,T2,…,T12;隐含层由经验公式确定;输出层为光伏电站整点时刻实时弃光电量Pl,P2,…,P12;经过预设训练后的精度分析,确定隐含层神经元数量为14,最终确定的神经网络最优结构15×14×12,采用模糊知识以及贝叶斯函数确定权值ωi(i=1,2,3,...,n),预测弃光电量。
步骤四,蓄热电锅炉消纳弃光电量系统装置及控制方法
步骤4-1,分布式蓄热电锅炉消纳弃光电量系统装置,如图3所示
光伏电站一端与电网连接,另一端与电网调度中心和低压断路器连接,电网调度中心与10寸触摸显示屏和PLC以太网端口连接,10寸触摸显示屏另一端与PLC以太网端口连接,220VAC交流电与PLC电源模块连接,PLC电源模块与CPUSR60连接,CPUSR60的N组输出与N个中间继电器连接,N个中间继电器另一端与N个交流接触器连接,N个交流接触器另一端与N个低压断路器和N个熔断器连接,N个熔断器与N个蓄热电锅炉连接,N个脉冲式触发开关与N个蓄热电锅炉连接,另一端与电网调度中心连接;N个蓄热电锅炉与检测蓄热电锅炉运行功率peh模块和检测蓄热电锅炉消纳弃光电量pm(peh)模块连接,检测蓄热电锅炉运行功率peh模块和检测蓄热电锅炉消纳弃光电量pm(peh)模块与PLC以太网端口连接;M个K型热电偶温度传感器与温度巡检仪连接,温度巡检仪与PLC的RS485通信端口连接;N个蓄热电锅炉另一端与多功能电能表连接;多功能电能表与PLC的RS485端口连接;
步骤4-2,电网调度中心采集光伏电站弃光电量XXX.XXX(X∈[0,9])(不指具体数据),通过PLC控制器采集N个蓄热电锅炉温度数据、电能数据、运行功率、消纳弃光电量信息,并向PLC控制器下发调度及控制指令,促进滑动变化式蓄热电锅炉极限消纳弃光电量。当蓄热电锅炉运行故障时,电网调度中心向脉冲式触发开关发送信号,至该蓄热电锅炉退出运行。当蓄热电锅炉维修后可运行时,电网调度中心向脉冲式触发开关发送信号至该蓄热电锅炉启动运行。
步骤4-3,分布式蓄热电锅炉消纳弃光电量系统控制方法
以光伏电站与蓄热电锅炉联合运行效益最大和环境效益最大为目标,采用线性加权和法,建立分布式蓄热电锅炉消纳清洁能源控制方法的数学模型:
式中,m1表示政府对光伏电站补贴,元/kw·h,m2表示政府对节能减排补贴,元/kw·h,pw、pm表示t1、t2时段并网电价和弃光协商电价,qw表示t1时段光伏电站发电量,qm表示t2时段弃光电量,c0表示光伏电站的发电成本,元/kw·h,qf表示光伏电站t1+t2时间段总发电量,ls表示输配电成本,元/kw·h,c、d为常数,与预测弃光电量有关,peh表示蓄热电锅炉的运行功率,qm(peh)表示蓄热电锅炉消纳弃光电量,βCHP表示弃光电量t2时间段发电机组燃料利用效率,α1、α2为线性加权和法系数;
步骤4-4,系统约束条件
由于太阳能具有随机性和波动性,弃光电量约束为其中为总预测弃光电量值;蓄热电锅炉约束条件为peh.min≤peh≤peh.max,peh.min、peh.max分别表示为蓄热电锅炉运行功率的下限值与上限值,温度约束条件为Tmin≤Te≤Tmax,Tmin、Tmax分别表示为蓄热电锅炉温度下限值与上限值;发电机组燃料利用效率约束为0<βCHP<1;
步骤4-5,基于改进遗传算法和非线性规划的函数寻优算法,如图4所示
应用改进遗传算法和非线性规划对分布式蓄热电锅炉消纳清洁能源控制方法的数学模型参数进行优化设计,步骤如下:
a、种群初始化首先要建立种群群体,即优化变量的设计解的集合。而群体的组成个体是一定数目的二进制串,所以设计变量与个体间的映射需通过编码来实现,本文中采取浮点编码的方法,即由问题解空间的一组向量X表示一个染色体编码,故分布式蓄热电锅炉消纳清洁能源控制方法优化问题可表示为X=(x1,x2,...,xn);群体的性质变化决定遗传算法的搜索能力,而其收敛性决定算法的收敛性,为保证算法的精度和速度,通常群体规模取20-100之间。同时为了保证初始群体具有普遍性,采用一致随机方式选取初始群体。
b、适应度值计算在遗传算法和非线性规划中,采用适应度函数来区分群体中个体好坏的标准,适应值越大表明个体越优,即得到光伏电站与蓄热电锅炉联合运行效益最大和环境效益最大的目标,优化问题是最大值优化问题,必须对目标函数进行适当的转化才能与适应度建立关系,适应度的计算函数为F[f(x)]=f(x);
c、选择操作从亲代设计变量的解集合中,亲代以一定权重系数分成父代和母代,父代和母代均按照轮盘赌选择方法,计算出父代每个个体的适应度概率值:
式中F为父代个体适应度值,N为父代种群规模;母代每个个体的适应度概率值:
式中k为母代个体适应度值,M为母代种群规模。设置两个函数,适应度概率值合成函数与适应度概率值比较函数G(F(ri,kj),Tλ),Tλ为适应度概率阈值,设置为0.5。将父代适应度概率值与母代适应度概率值带入适应度概率值合成函数里,解得函数值,再带入到适应度概率值比较函数G(F(ri,kj),Tλ)里,保留G(F(ri,kj),Tλ)>0父母双亲个体,当经过交叉、变异后,淘汰掉子代适应度低于0.6的个体,由亲代按照一定权重系数将父、母代中适应度概率值高的精英个体复制到子代中。
d、交叉操作指从种群中随机选择两个个体,采用实数交叉法交换组合,将父串的优秀特征遗传给子串,产生新的优秀个体。具体交叉操作方法,例如第k个染色体ak、和第L个染色体aL在j位交叉操作方法为式中,b是[0,1]区间的随机数。
e、变异操作从种群中随机选取某个个体,对其进行变异以产生更优秀的个体。第i个个体的第j个基因aij,进行变异的操作方法为式中,amax是基因aij的上界;amin是基因aij和下界,f(g)=r2(1-g/Gmax)2,r2是一个随机数,g是当前迭代次数,Gmax是最大进化次数,r为[0,1]区间的随机数。
f、非线性寻优当遗传算法每次进化到10代后,以所得到的结果为初始值,搜索约束条件下的非线性元函数的最大值。由于分布式蓄热电锅炉消纳清洁能源控制系统参数优化是一个多变量有约束的非线性优化问题,故采取惩罚函数法来进行非线性寻优,具体步骤为:
(a)给定一串数列,{rn},rn——→0,初始点x0,精度ε>0,令k=1。
(b)构造罚函数及目标函数采用共轭方向法,以xk-1为初始点求解maxGrk(x)。
(c)若xk达到精度要求,终止算法,输出最优解;否则,令k=k+1,从b步继续。
g、判断运算遗传算法是一种向最优解逐渐逼近的、反复进化的搜索方法,故需要判断新一代群体是否满足结束条件,判断标准为是否完成所需的进化次数,如不满足,从b步骤继续进行计算。
Claims (7)
1.蓄热电锅炉与清洁能源的预测匹配和消纳控制方法,其特征在于:该方法包括以下步骤:
步骤(1):采集气象因素数据及光伏电站弃光电量数据,经过归一化处理得到训练样本集,即D=[(x1,y1),(x2,y2),(x3,y3),...,(xn,yn)],其中,xi(i=1,2,3,...,n)表示气象因素数据,yi(i=1,2,3,...,n)表示与xi相对应的光伏电站弃光电量历史数据;
步骤(2):设计含有输入层、隐含层、输出层的模糊贝叶斯神经网络模型,并选择激励函数、训练函数以及学习函数,使用模糊推理的贝叶斯理论对神经网络权值向量进行训练,得到最佳网络预测模型;
步骤(3):将得到的最佳网络预测模型应用在分布式光伏发电系统中,用以获取在不同气象因素条件下的光伏电站弃光电量;
步骤(4):在预测出光伏电站弃光电量条件下,考虑经济性能指标,通过PLC控制器采集N个蓄热电锅炉的温度数据、运行功率peh、消纳弃光电量qm(peh)和电能数据,电网调度中心以光伏电站与蓄热电锅炉联合运行效益最大和环境效益最大为目标,控制N个蓄热电锅炉极限消纳弃光电量。
2.根据权利要求1所述的蓄热电锅炉与清洁能源的预测匹配和消纳控制方法,其特征在于:步骤(1)包括:
步骤1-1,预测光伏电站弃光电量包含两类参数:气象因素和光伏电站弃光电量数据;气象因素、光伏电站弃光电量包含晴天、阴天、多云和雨雪天一年365组数据;样本数据分为训练样本数据和检验样本数据,由样本输入和期望输出组成的样本对。
3.根据权利要求1所述的蓄热电锅炉与清洁能源的预测匹配和消纳控制方法,其特征在于:所述步骤(2)包括:
步骤2-1,用于预测光伏电站弃光电量的神经网络模型由输入层、隐含层、输出层构成;输入层由平均温度、平均太阳辐射强度、风速以及日平均湿度1组数据组成,共15个神经元节点,其中,平均温度为前一日光伏电站工作时间整点时刻的平均温度值,即T1,T2,…,T12;隐含层由经验公式确定;输出层为光伏电站整点时刻实时弃光电量Pl,P2,…,P12;
步骤2-2,建立所述模糊贝叶斯神经网络预测模型,确定模型的激励函数、训练函数、学习函数及神经网络性能指标;激励函数选择sigmod函数,即训练函数选择trainlm函数,学习函数选择贝叶斯函数,神经网络性能指标为:
步骤2-3创建神经网络权值集:影响神经网络运算精确性和泛化能力的权值集合用ω表示,即ω={ω1,ω2,ω3,...,ωn},其中,ωi(i=1,2,3...n)表示权值分量,xi表示输入向量值,ti表示期望输出值;
步骤2-4确定似然函数:假设目标值t1,t2,t3,...,tn是在高斯白噪声下产生的,似然函数为:
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>D</mi>
<mo>|</mo>
<mi>&omega;</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<msub>
<mi>Z</mi>
<mi>D</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>&gamma;</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mo>-</mo>
<msub>
<mi>&gamma;E</mi>
<mi>D</mi>
</msub>
<mo>(</mo>
<mi>&omega;</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
</mrow>
其中,ZD(γ)为归一化因子,γ为超参数,ED(w)表示误差函数;
确定权值的后验概率公式:
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>&omega;</mi>
<mi>i</mi>
</msub>
<mo>|</mo>
<mi>D</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msub>
<mi>b</mi>
<mi>j</mi>
</msub>
<msub>
<mi>v</mi>
<mi>j</mi>
</msub>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mo>-</mo>
<msub>
<mi>&gamma;E</mi>
<mi>D</mi>
</msub>
<mo>(</mo>
<msub>
<mi>&omega;</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>)</mo>
</mrow>
<mrow>
<msub>
<mi>Z</mi>
<mi>D</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>&gamma;</mi>
<mo>)</mo>
</mrow>
<mi>p</mi>
<mrow>
<mo>(</mo>
<mi>D</mi>
<mo>)</mo>
</mrow>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msub>
<mi>b</mi>
<mi>j</mi>
</msub>
</mrow>
</mfrac>
</mrow>
式中,i=(1,2,3,...,n),j=(1,2,3,...,n),为误差函数,p(D)表示样本分布常数,vj表示权值分量的重要程度;
步骤2-5随机选取训练样本集D对模糊贝叶斯神经网络预测模型进行学习训练,用模糊知识及贝叶斯函数确定输入层-隐含层-输出层各权值,通过训练样本数据判断输出层的实际输出与期望输出是否满足神经网络性能指标要求;若未满足要求,则适当改变隐含层神经元数量,重新由模糊知识以及贝叶斯函数确定输入层-隐含层-输出层各权值,再次通过训练样本数据判断输出层的实际输出与期望输出是否满足神经网络性能指标要求;若满足要求,则训练结束,否则继续进行训练,直到满足神经网络性能指标要求为止。
4.根据权利要求1所述的蓄热电锅炉与清洁能源的预测匹配和消纳控制方法,其特征在于:所述步骤4包括:
步骤4-1,该步骤通过以下分布式蓄热电锅炉消纳弃光电量系统装置实现,该装置如下:
光伏电站一端与电网连接,另一端与电网调度中心和低压断路器连接,电网调度中心与10寸触摸显示屏和PLC以太网端口连接,10寸触摸显示屏另一端与PLC以太网端口连接,220VAC交流电与PLC电源模块连接,PLC电源模块与CPUSR60连接,CPUSR60的N组输出与N个中间继电器连接,N个中间继电器另一端与N个交流接触器连接,N个交流接触器另一端与N个低压断路器和N个熔断器连接,N个熔断器与N个蓄热电锅炉连接,N个脉冲式触发开关与N个蓄热电锅炉连接,另一端与电网调度中心连接;N个蓄热电锅炉与检测蓄热电锅炉运行功率peh模块和检测蓄热电锅炉消纳弃光电量pm(peh)模块连接,检测蓄热电锅炉运行功率peh模块和检测蓄热电锅炉消纳弃光电量pm(peh)模块与PLC以太网端口连接;M个K型热电偶温度传感器与温度巡检仪连接,温度巡检仪与PLC的RS485通信端口连接;N个蓄热电锅炉另一端与多功能电能表连接;多功能电能表与PLC的RS485端口连接;
利用上述装置进行步骤4-2:电网调度中心采集光伏电站弃光电量XXX.XXX(X∈[0,9]),其不指具体数据,通过PLC控制器采集N个蓄热电锅炉温度数据、电能数据、运行功率、消纳弃光电量信息,并向PLC控制器下发调度及控制指令,促进滑动变化式蓄热电锅炉极限消纳弃光电量;当蓄热电锅炉运行故障时,电网调度中心向脉冲式触发开关发送信号,至该蓄热电锅炉退出运行;当蓄热电锅炉维修后可运行时,电网调度中心向脉冲式触发开关发送信号至该蓄热电锅炉启动运行。
5.根据权利要求4所述的蓄热电锅炉与清洁能源的预测匹配和消纳控制方法,其特征在于:所述步骤4还包括:
步骤4-3,分布式蓄热电锅炉消纳弃光电量系统控制方法
以光伏电站与蓄热电锅炉联合运行效益最大和环境效益最大为目标,采用线性加权和法,建立分布式蓄热电锅炉消纳清洁能源控制方法的数学模型:
<mrow>
<mi>max</mi>
<mi> </mi>
<mi>f</mi>
<mo>=</mo>
<msub>
<mi>&alpha;</mi>
<mn>1</mn>
</msub>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<mo>&lsqb;</mo>
<mrow>
<mo>(</mo>
<msub>
<mi>m</mi>
<mn>1</mn>
</msub>
<mo>+</mo>
<msub>
<mi>m</mi>
<mn>2</mn>
</msub>
<mo>+</mo>
<msub>
<mi>p</mi>
<mi>w</mi>
</msub>
<mo>&CenterDot;</mo>
<msub>
<mi>q</mi>
<mi>w</mi>
</msub>
<mo>+</mo>
<msub>
<mi>p</mi>
<mi>m</mi>
</msub>
<mo>&CenterDot;</mo>
<msub>
<mi>q</mi>
<mi>m</mi>
</msub>
<mo>-</mo>
<msub>
<mi>c</mi>
<mn>0</mn>
</msub>
<mo>&CenterDot;</mo>
<msub>
<mi>q</mi>
<mi>f</mi>
</msub>
<mo>-</mo>
<msub>
<mi>l</mi>
<mi>s</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>c</mi>
<mo>-</mo>
<mrow>
<mo>(</mo>
<msub>
<mi>p</mi>
<mi>m</mi>
</msub>
<mo>+</mo>
<mi>d</mi>
<mo>)</mo>
</mrow>
<msub>
<mi>q</mi>
<mi>m</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>p</mi>
<mrow>
<mi>e</mi>
<mi>h</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
<mo>+</mo>
<msub>
<mi>&alpha;</mi>
<mn>2</mn>
</msub>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<mrow>
<mo>(</mo>
<mn>0.1228</mn>
<mfrac>
<msub>
<mi>q</mi>
<mi>m</mi>
</msub>
<msub>
<mi>&beta;</mi>
<mrow>
<mi>C</mi>
<mi>H</mi>
<mi>P</mi>
</mrow>
</msub>
</mfrac>
<mo>)</mo>
</mrow>
</mrow>
式中,m1表示政府对光伏电站补贴,元/kw·h,m2表示政府对节能减排补贴,元/kw·h,pw、pm表示t1、t2时段并网电价和弃光协商电价,qw表示t1时段光伏电站发电量,qm表示t2时段弃光电量,c0表示光伏电站的发电成本,元/kw·h,qf表示光伏电站t1+t2时间段总发电量,ls表示输配电成本,元/kw·h,c、d为常数,与预测弃光电量有关,peh表示蓄热电锅炉的运行功率,qm(peh)表示蓄热电锅炉消纳弃光电量,βCHP表示弃光电量t2时间段发电机组燃料利用效率,α1、α2为线性加权和法系数;
步骤4-4,基于改进遗传算法和非线性规划的函数寻优算法
应用改进遗传算法和非线性规划对分布式蓄热电锅炉消纳清洁能源控制方法的数学模型参数进行优化设计,步骤如下:
a、种群初始化
b、适应度值计算:适应度的计算函数为F[f(x)]=f(x);
c、选择操作:从亲代设计变量的解集合中,亲代以一定权重系数分成父代和母代,父代和母代均按照轮盘赌选择方法,计算出父代每个个体的适应度概率值:
<mrow>
<msub>
<mi>p</mi>
<msub>
<mi>F</mi>
<mi>i</mi>
</msub>
</msub>
<mo>=</mo>
<mfrac>
<msub>
<mi>F</mi>
<mi>i</mi>
</msub>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>x</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msub>
<mi>F</mi>
<mi>x</mi>
</msub>
</mrow>
</mfrac>
<mo>,</mo>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mn>3</mn>
<mo>...</mo>
<mi>n</mi>
<mo>,</mo>
</mrow>
式中F为父代个体适应度值,N为父代种群规模;母代每个个体的适应度概率值:
<mrow>
<msub>
<mi>p</mi>
<msub>
<mi>k</mi>
<mi>j</mi>
</msub>
</msub>
<mo>=</mo>
<mfrac>
<msub>
<mi>k</mi>
<mi>j</mi>
</msub>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>y</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>M</mi>
</munderover>
<msub>
<mi>k</mi>
<mi>y</mi>
</msub>
</mrow>
</mfrac>
<mo>,</mo>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mn>3</mn>
<mo>...</mo>
<mi>n</mi>
<mo>,</mo>
</mrow>
式中k为母代个体适应度值,M为母代种群规模;设置两个函数,适应度概率值合成函数与适应度概率值比较函数G(F(ri,kj),Tλ),Tλ为适应度概率阈值,设置为0.5;将父代适应度概率值与母代适应度概率值带入适应度概率值合成函数里,解得函数值,再带入到适应度概率值比较函数G(F(ri,kj),Tλ)里,保留G(F(ri,kj),Tλ)>0父母双亲个体,当经过交叉、变异后,淘汰掉子代适应度低于0.6的个体,由亲代按照一定权重系数将父、母代中适应度概率值高的精英个体复制到子代中;
c、进行交叉操作和变异操作;
d、非线性寻优步骤为:
(a)给定一串数列,{rn},rn——→0,初始点x0,精度ε>0,令k=1;
(b)构造罚函数及目标函数采用共轭方向法,以xk-1为初始点求解maxGrk(x);
(c)若xk达到精度要求,终止算法,输出最优解;否则,令k=k+1,从b步继续;
e、判断运算:判断标准为是否完成所需的进化次数,如不满足,从b步骤继续进行计算。
6.根据权利要求3所述的蓄热电锅炉与清洁能源的预测匹配和消纳控制方法,其特征在于:步骤2-3中:
创建权值评判集:采用改进专家评分法对神经网络权值模糊化,专家首先无交流进行评分,对评分结果进行由大到小排序,首尾专家进行协商再次评分,重新排序,依次类推,直到评分完为止;评判集用V表示,即V={V1,V2,V3,...,Vn},其中,Vj(j=1,2,3...n)表示权值分量的重要程度;
解模糊化:采用加权平均法进行解模糊,获得神经网络权值的先验概率,公式为:
<mrow>
<mi>P</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>&omega;</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msub>
<mi>b</mi>
<mi>j</mi>
</msub>
<msub>
<mi>v</mi>
<mi>j</mi>
</msub>
</mrow>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msub>
<mi>b</mi>
<mi>j</mi>
</msub>
</mrow>
</mfrac>
<mo>,</mo>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mn>3</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mn>3</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<mi>n</mi>
</mrow>
式中,P(ωi)表示神经网络权值的先验概率,bj表示评判者人数,vj表示评判者做出可能的评判结果。
7.根据权利要求3所述的蓄热电锅炉与清洁能源的预测匹配和消纳控制方法,其特征在于:步骤2-1中前一日光伏电站工作时间为8:00~19:00。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710312387.8A CN107256436B (zh) | 2017-05-05 | 2017-05-05 | 蓄热电锅炉与清洁能源的预测匹配和消纳控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710312387.8A CN107256436B (zh) | 2017-05-05 | 2017-05-05 | 蓄热电锅炉与清洁能源的预测匹配和消纳控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107256436A true CN107256436A (zh) | 2017-10-17 |
CN107256436B CN107256436B (zh) | 2022-07-22 |
Family
ID=60027291
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710312387.8A Active CN107256436B (zh) | 2017-05-05 | 2017-05-05 | 蓄热电锅炉与清洁能源的预测匹配和消纳控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107256436B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109242340A (zh) * | 2018-09-29 | 2019-01-18 | 国网辽宁省电力有限公司电力科学研究院 | 一种蓄热电锅炉消纳系统监测数据评价系统及其评价方法 |
CN109766346A (zh) * | 2019-01-25 | 2019-05-17 | 长春工程学院 | 一种高寒地区固体蓄热式电锅炉短期功率消耗预测方法 |
CN109921462A (zh) * | 2019-03-07 | 2019-06-21 | 中国电力科学研究院有限公司 | 一种基于lstm的新能源消纳能力评估方法及系统 |
CN110717634A (zh) * | 2019-10-23 | 2020-01-21 | 国网冀北电力有限公司秦皇岛供电公司 | 一种光伏与电采暖导致的电压越限的预警方法和装置 |
CN111598235A (zh) * | 2020-05-18 | 2020-08-28 | 山东交通学院 | 贝叶斯正则化反向传播神经网络坐标转换方法及装置 |
CN113987964A (zh) * | 2021-12-27 | 2022-01-28 | 武汉理工大学 | 一种考虑经济性的环形热电发电机的优化设计方法及系统 |
CN117411081A (zh) * | 2023-10-17 | 2024-01-16 | 东营市丰润通科技发展有限公司 | 一种绿能消纳控制方法、装置、设备及存储介质 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103279649A (zh) * | 2013-05-09 | 2013-09-04 | 国家电网公司 | 基于实时光资源监测网络的光伏基地弃光电量评估方法 |
CN103324829A (zh) * | 2013-05-09 | 2013-09-25 | 国家电网公司 | 基于标杆光伏组件的大型光伏发电基地弃光电量评估方法 |
CN105387627A (zh) * | 2015-10-24 | 2016-03-09 | 东北电力大学 | 一种提高风电消纳的蓄热式电采暖优化运行控制方法 |
CN105631558A (zh) * | 2016-03-22 | 2016-06-01 | 国家电网公司 | 基于相似日的bp神经网络光伏发电系统功率预测方法 |
CN205316444U (zh) * | 2015-12-15 | 2016-06-15 | 上海置信节能环保有限公司 | 一种适用于消纳弃风电的清洁供暖系统 |
CN106300412A (zh) * | 2016-08-16 | 2017-01-04 | 南瑞(武汉)电气设备与工程能效测评中心 | 蓄热电锅炉实时消纳弃风电量能力的评估方法 |
CN106372448A (zh) * | 2016-11-01 | 2017-02-01 | 南方电网科学研究院有限责任公司 | 一种清洁能源跨区域消纳的可行性评估方法 |
CN106410852A (zh) * | 2016-11-24 | 2017-02-15 | 国家电网公司 | 电网消纳新能源发电的评估方法及设备 |
CN106410859A (zh) * | 2015-07-28 | 2017-02-15 | 中国电力科学研究院 | 一种基于随机生产模拟的新能源并网接纳能力计算方法 |
CN106503466A (zh) * | 2016-11-04 | 2017-03-15 | 中国电力科学研究院 | 电锅炉与太阳能联合供热系统的设备容量配置方法及装置 |
CN106765519A (zh) * | 2016-11-30 | 2017-05-31 | 国网新疆电力公司电力科学研究院 | 气电互补电采暖需求响应控制系统 |
-
2017
- 2017-05-05 CN CN201710312387.8A patent/CN107256436B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103279649A (zh) * | 2013-05-09 | 2013-09-04 | 国家电网公司 | 基于实时光资源监测网络的光伏基地弃光电量评估方法 |
CN103324829A (zh) * | 2013-05-09 | 2013-09-25 | 国家电网公司 | 基于标杆光伏组件的大型光伏发电基地弃光电量评估方法 |
CN106410859A (zh) * | 2015-07-28 | 2017-02-15 | 中国电力科学研究院 | 一种基于随机生产模拟的新能源并网接纳能力计算方法 |
CN105387627A (zh) * | 2015-10-24 | 2016-03-09 | 东北电力大学 | 一种提高风电消纳的蓄热式电采暖优化运行控制方法 |
CN205316444U (zh) * | 2015-12-15 | 2016-06-15 | 上海置信节能环保有限公司 | 一种适用于消纳弃风电的清洁供暖系统 |
CN105631558A (zh) * | 2016-03-22 | 2016-06-01 | 国家电网公司 | 基于相似日的bp神经网络光伏发电系统功率预测方法 |
CN106300412A (zh) * | 2016-08-16 | 2017-01-04 | 南瑞(武汉)电气设备与工程能效测评中心 | 蓄热电锅炉实时消纳弃风电量能力的评估方法 |
CN106372448A (zh) * | 2016-11-01 | 2017-02-01 | 南方电网科学研究院有限责任公司 | 一种清洁能源跨区域消纳的可行性评估方法 |
CN106503466A (zh) * | 2016-11-04 | 2017-03-15 | 中国电力科学研究院 | 电锅炉与太阳能联合供热系统的设备容量配置方法及装置 |
CN106410852A (zh) * | 2016-11-24 | 2017-02-15 | 国家电网公司 | 电网消纳新能源发电的评估方法及设备 |
CN106765519A (zh) * | 2016-11-30 | 2017-05-31 | 国网新疆电力公司电力科学研究院 | 气电互补电采暖需求响应控制系统 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109242340A (zh) * | 2018-09-29 | 2019-01-18 | 国网辽宁省电力有限公司电力科学研究院 | 一种蓄热电锅炉消纳系统监测数据评价系统及其评价方法 |
CN109242340B (zh) * | 2018-09-29 | 2021-08-27 | 国网辽宁省电力有限公司电力科学研究院 | 一种蓄热电锅炉消纳系统监测数据评价系统及其评价方法 |
CN109766346A (zh) * | 2019-01-25 | 2019-05-17 | 长春工程学院 | 一种高寒地区固体蓄热式电锅炉短期功率消耗预测方法 |
CN109921462A (zh) * | 2019-03-07 | 2019-06-21 | 中国电力科学研究院有限公司 | 一种基于lstm的新能源消纳能力评估方法及系统 |
CN109921462B (zh) * | 2019-03-07 | 2023-11-03 | 中国电力科学研究院有限公司 | 一种基于lstm的新能源消纳能力评估方法及系统 |
CN110717634A (zh) * | 2019-10-23 | 2020-01-21 | 国网冀北电力有限公司秦皇岛供电公司 | 一种光伏与电采暖导致的电压越限的预警方法和装置 |
CN110717634B (zh) * | 2019-10-23 | 2023-04-14 | 国网冀北电力有限公司秦皇岛供电公司 | 一种光伏与电采暖导致的电压越限的预警方法和装置 |
CN111598235A (zh) * | 2020-05-18 | 2020-08-28 | 山东交通学院 | 贝叶斯正则化反向传播神经网络坐标转换方法及装置 |
CN113987964A (zh) * | 2021-12-27 | 2022-01-28 | 武汉理工大学 | 一种考虑经济性的环形热电发电机的优化设计方法及系统 |
CN117411081A (zh) * | 2023-10-17 | 2024-01-16 | 东营市丰润通科技发展有限公司 | 一种绿能消纳控制方法、装置、设备及存储介质 |
CN117411081B (zh) * | 2023-10-17 | 2024-06-07 | 东营市丰润通科技发展有限公司 | 一种绿能消纳控制方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN107256436B (zh) | 2022-07-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107256436A (zh) | 蓄热电锅炉与清洁能源的预测匹配和消纳控制方法 | |
WO2021238505A1 (zh) | 基于联邦学习的区域光伏功率概率预测方法及协同调控系统 | |
Shi et al. | Direct interval forecast of uncertain wind power based on recurrent neural networks | |
Yang et al. | A combination forecasting approach applied in multistep wind speed forecasting based on a data processing strategy and an optimized artificial intelligence algorithm | |
CN109858673A (zh) | 一种光伏发电系统功率预测方法 | |
Suganthi et al. | Applications of fuzzy logic in renewable energy systems–a review | |
CN102930358B (zh) | 一种光伏电站发电功率的神经网络预测方法 | |
Guo et al. | Study on short-term photovoltaic power prediction model based on the Stacking ensemble learning | |
CN105631558A (zh) | 基于相似日的bp神经网络光伏发电系统功率预测方法 | |
CN103390200A (zh) | 基于相似日的光伏电站发电输出功率预测方法 | |
Zhang et al. | Wavelet-based neural network with genetic algorithm optimization for generation prediction of PV plants | |
CN108921339A (zh) | 基于分位数回归的遗传支持向量机光伏功率区间预测方法 | |
CN105069521A (zh) | 一种基于加权fcm聚类算法的光伏电站输出功率预测方法 | |
Chen et al. | Interpretable time-adaptive transient stability assessment based on dual-stage attention mechanism | |
CN105186499A (zh) | 一种配电网多目标概率最优潮流模糊建模与求解方法 | |
CN108303898B (zh) | 新型太阳能-空气能耦合冷热联供系统的智能调度方法 | |
CN103400204A (zh) | 基于svm-马尔科夫组合法的太阳能光伏发电量预测方法 | |
Chitsazan et al. | Wind speed forecasting using an echo state network with nonlinear output functions | |
CN109636054A (zh) | 基于分类和误差组合预测的太阳能光伏发电量预测方法 | |
CN109242136A (zh) | 一种微电网风电功率混沌遗传-bp神经网络预测方法 | |
Wang et al. | Offshore wind turbine selection with a novel multi-criteria decision-making method based on Dempster-Shafer evidence theory | |
Wang et al. | A novel wind power prediction model improved with feature enhancement and autoregressive error compensation | |
CN113469412A (zh) | 一种综合能源系统实时运行策略优化方法及系统 | |
CN105678415A (zh) | 一种分布式电源配电网的净负荷预测方法 | |
CN109214561A (zh) | 考虑主动配电系统动态路径优化的分布式电源配置方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |