CN109687479B - 功率波动平抑方法、系统、存储介质和计算机设备 - Google Patents
功率波动平抑方法、系统、存储介质和计算机设备 Download PDFInfo
- Publication number
- CN109687479B CN109687479B CN201710980572.4A CN201710980572A CN109687479B CN 109687479 B CN109687479 B CN 109687479B CN 201710980572 A CN201710980572 A CN 201710980572A CN 109687479 B CN109687479 B CN 109687479B
- Authority
- CN
- China
- Prior art keywords
- output power
- model
- power
- energy storage
- electricity price
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 230000000087 stabilizing effect Effects 0.000 title claims abstract description 54
- 230000005611 electricity Effects 0.000 claims abstract description 60
- 238000004146 energy storage Methods 0.000 claims abstract description 50
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 31
- 230000006641 stabilisation Effects 0.000 claims abstract description 6
- 238000011105 stabilization Methods 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 38
- 230000001629 suppression Effects 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 11
- 238000007599 discharging Methods 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims 2
- 238000010248 power generation Methods 0.000 description 11
- 238000005457 optimization Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 4
- 238000005096 rolling process Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000005622 photoelectricity Effects 0.000 description 1
- 238000012887 quadratic function Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/24—Arrangements for preventing or reducing oscillations of power in networks
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/28—Arrangements for balancing of the load in a network by storage of energy
- H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请涉及一种功率波动平抑方法、系统、存储介质和计算机设备,其中功率波动平抑方法包括以下步骤:将获取的待测日输出功率数据输入预设控制系统函数模型,获得预测输出功率;将获取的实时电价数据输入预设目标输出功率决策系统函数模型,获得目标输出功率;获取储能通用模型,并确定储能通用模型的参数值,根据参数值、输出功率和目标输出功率建立功率波动平抑模型;基于模型预测控制算法对功率波动平抑模型求解,确定实际功率输出值。上述功率波动平抑方法,通过预测待测日输出功率数据和实时电价数据,分别获得预测输出功率和目标输出功率,并采用模型预测控制算法对功率波动平抑模型求解,实现功率波动平抑,获得实时准确的实际输出功率值。
Description
技术领域
本申请涉及电力系统技术领域,特别是涉及一种功率波动平抑方法、系统、存储介质和计算机设备。
背景技术
近年来,风力发电和太阳能发电已经成为重要的可再生能源发电形式,但是由于其间歇性与随机性的特点,接入电网后存在较大不确定性,直接可调度能力较弱。
现有的实现新能源电站并网的研究主要为当新能源电站发电量不在电网允许的上下限范围内时,通过储能充、放电以消纳过剩电量或补足缺额,但是这种情况下,新能源电站的目标输出功率值相对固定,无法实现实时准确对输出功率值进行调整。
发明内容
基于此,针对无法实现实时准确对输出功率值进行调整的问题,可以提供一种实现实时准确对输出功率值进行调整的功率波动平抑方法、系统、存储介质和计算机设备。
一种功率波动平抑方法,包括以下步骤:
将获取的待测日输出功率数据输入预设的控制系统函数模型,获得预测输出功率;
将获取的实时电价数据输入预设的目标输出功率决策系统函数模型,获得目标输出功率;
获取储能通用模型,并确定储能通用模型的参数值,根据参数值、输出功率和目标输出功率建立功率波动平抑模型;
基于模型预测控制算法对功率波动平抑模型求解,确定实际功率输出值。
在其中一个实施例中,将获取的待测日输出功率数据输入预设的控制系统函数模型,获得预测输出功率的步骤之前,还包括:
获取与待测日环境气象信息类似的历史日输出功率,采用加入中值滤波过程的EMD算法与BP神经网络相结合获得的算法对待测日输出功率数据进行预测。
在其中一个实施例中,将获取的实时电价数据输入预设的目标输出功率决策系统函数模型,获得目标输出功率的步骤之前,还包括:
获取历史电价数据,采用预设的自回归模型预测实时电价数据。
在其中一个实施例中,自回归模型为:
pn(k+1)=τp(k)pn(k)+ε(k)
式中,pn(k+1)为p(k+1)的标幺值,p(k+1)为第k+1周的平均电价,pn(k)为p(k)的标幺值,p(k)第k周的平均电价,τp(k)为自相关系数,ε(k)为正态随机变量。
在其中一个实施例中,获取储能通用模型,并确定储能通用模型的参数值的步骤包括:
根据选取的储能类型确定储能通用模型,通用模型中的参数包括蓄电池自放电速率α、充电效率β、放电效率γ、最大充电阈值Mc和最大放电阈值Md,其中,储能通用模型的表达式为:
x(k+1)=f(x(k))+g(x(k),u(k))
f(x)=a(x)x
式中,x(k)和u(k)分别表示第k时刻储能内部电量和充、放电量,f(x)和g(x,u)均为中间参数变量,当u(k)>0时,表示蓄电池处于充电状态,u(k)<0时,表示蓄电池处于放电状态,通用模型中约束条件为:
在其中一个实施例中,控制系统模型为:
式中,y(k)表示输出功率,r(k)表示第k时刻的预测输出电量,x2(k)为中间参数变量,td为MW与MWh之间的转换系数。
在其中一个实施例中,目标输出功率的决策系统模型为:
式中,yref(k)表示目标功率输出值,x2max表示储能最大可用电量,w(P)为电价的决策权重函数,P为实时电价预测值,λ表示设定的存储或输送电量的速率,P0为平衡电价。
一种功率波动平抑系统,包括:
预测输出功率模块,用于将获取的待测日输出功率数据输入预设的控制系统函数模型,获得预测输出功率;
目标输出功率模块,用于将获取的实时电价数据输入预设的目标输出功率决策系统函数模型,获得目标输出功率;
功率波动平抑模型建立模块,用于获取储能通用模型,并确定储能通用模型的参数值,根据参数值、输出功率和目标输出功率建立功率波动平抑模型;
实际功率输出模块,用于基于模型预测控制算法对功率波动平抑模型求解,确定实际功率输出值。
一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行程序时实现功率波动平抑方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现功率波动平抑方法的步骤。
上述功率波动平抑方法,通过预测待测日输出功率数据和实时电价数据,分别获得预测输出功率和目标输出功率,通过建立功率波动平抑模型,并采用模型预测控制算法进行求解,对功率波动进行调整,可以实现功率波动平抑,获得实时准确的实际输出功率值。
附图说明
图1为一个实施例中功率波动平抑方法的流程示意图;
图2为另一个实施例中功率波动平抑方法的流程示意图;
图3为一个实施例中功率波动平抑方法的向电网传输电量比例曲线图;
图4为一个实施例中功率波动平抑方法的开环控制系统结构图;
图5为一个实施例中功率波动平抑方法的效益曲线图;
图6为一个实施例中功率波动平抑系统的结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明,应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体地实施例的目的,不是旨在于限制本申请。应该理解的是,本申请的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
一种功率波动平抑方法,包括以下步骤:
步骤S200,将获取的待测日输出功率数据输入预设的控制系统函数模型,获得预测输出功率。
待测日输出功率数据是指根据历史数据特征并使用特定算法预测得到的准确度较高的输出功率,控制系统函数模型是指具有将待测日输出功率数据经过处理得到预测输出功率功能的函数模型,通过函数模型来实现对输出功率的初步控制,预测输出功率是指电站根据预测用电需求将要输出的功率。
步骤S400,将获取的实时电价数据输入预设的目标输出功率决策系统函数模型,获得目标输出功率。
实时电价可以通过周平均电价来进行预测,目标输出功率决策系统函数模型为能够根据输入的实时电价数据,经过函数的计算处理,对输出功率进行调整,得到对应的目标输出功率,其中,目标输出功率是指结合实时电价数据进行调整计算的经济效益最佳的输出功率值。
步骤S600,获取储能通用模型,并确定储能通用模型的参数值,根据参数值、输出功率和目标输出功率建立功率波动平抑模型。
储能系统作为平抑新能源电源功率波动的重要手段被广泛关注,不同储能系统的充放电功率、储能容量等并网特性不同,其对电网运行的影响亦不同,储能通用模型是一种可体现储能充放电速率、储能容量限制及储能系统发出无功功率限制等储能特性的模型,可以根据储能模型参数值、输出功率和目标输出功率来建立具有调节功率波动的功能的功率波动平抑模型。
步骤S800,基于模型预测控制算法对功率波动平抑模型求解,确定实际功率输出值。
预测控制与传统的PID控制不同,通常的PID控制,是根据过程当前的和过去的输出测量值和设定值的偏差来确定当前的控制输入,但是预测控制不仅仅利用当前的和过去的偏差值,而且还利用预测模型来预估过程未来的偏差值,以滚动确定当前的最优输入方法,模型预测控制是以一种模型为基础利用过去的输入输出的数据来预测未来一段时间内的输出,再通过具有控制约束和预测误差的二次函数的极小化,来得到当前和未来几个采样周期的最优控制规律,在下一个采样周期中再利用最新数据,重复这一优化的计算过程。通过模型预测控制算法,以优化系统偏差为控制目标,得到与目标输出功率偏差最小的实际输出功率。
上述功率波动平抑方法,通过预测待测日输出功率数据和实时电价数据,分别获得预测输出功率和目标输出功率,通过建立功率波动平抑模型,并采用模型预测控制算法进行求解,对功率波动进行调整,可以实现功率波动平抑,获得实时准确的实际输出功率值。
如图2所示,在其中一个实施例中,步骤S200之前,还包括:
步骤S100,获取与待测日环境气象信息类似的历史日输出功率,采用加入中值滤波过程的EMD算法与BP神经网络相结合获得的算法对待测日输出功率数据进行预测。
具体地,根据主环境特征量确定历史数据中与待预测日环境气象信息相似的N个同类型相似日;然后利用改进EMD算法对同类型相似日时间序列进行中值滤波,并按波动程度进行模态分解,波动程度相同的模态划归一类;再利用BP神经网络算法对每一类模态数据进行建模,得到各类模态数据的预测分量,最终的辐照强度预测值由预测分量叠加得到;最后通过光伏输出功率的工程模型计算得到待预测日的光伏电站的出力数据。工程模型:
在其中一个实施例中,步骤S400之前,还包括:
步骤S300,获取历史电价数据,采用预设的自回归模型预测实时电价数据。
自回归模型是统计上一种处理时间序列的方法,用同一变数的之前各期,来预测本期的表现,并假设它们为一线性关系。因为这是从回归分析中的线性回归发展而来,用来预测参数本身。
在其中一个实施例中,自回归模型为:
pn(k+1)=τp(k)pn(k)+ε(k) (2)
式中,pn(k+1)为p(k+1)的标幺值,p(k+1)为第k+1周的平均电价,pn(k)为p(k)的标幺值,p(k)第k周的平均电价,τp(k)为自相关系数,ε(k)为正态随机变量。
在其中一个实施例中,获取储能通用模型,并确定储能通用模型的参数值的步骤包括:
根据选取的储能类型确定储能通用模型,通用模型中的参数包括蓄电池自放电速率α、充电效率β、放电效率γ、最大充电阈值Mc和最大放电阈值Md,其中,储能通用模型的表达式为:
x(k+1)=f(x(k))+g(x(k),u(k)) (3)
f(x)=a(x)x (4)
式中,x(k)和u(k)分别表示第k时刻储能内部电量和充、放电量,f(x)和g(x,u)均为中间参数变量,当u(k)>0时,表示蓄电池处于充电状态,u(k)<0时,表示蓄电池处于放电状态,通用模型中约束条件为:
在其中一个实施例中,控制系统模型为:
式中,y(k)表示输出功率,r(k)表示第k时刻的预测输出电量,x2(k)为中间参数变量,td为MW与MWh之间的转换系数。
在其中一个实施例中,目标输出功率的决策系统模型为:
式中,yref(k)表示目标功率输出值,x2max表示储能最大可用电量,w(P)为电价的决策权重函数,P为实时电价预测值,λ表示设定的存储或输送电量的速率,P0为平衡电价。
如图3所示,具体地,当λ取不同值时,函数的特性也会发生变化,两条曲线分别为P0=17(¥/MW),λ取值0.3和1.0时,(2w(P)-1)的变化曲线,虚线的增长速度明显比实线更快。
如图4所示,在其中一个实施例中,根据储能通用模型参数值、输出功率和目标输出功率建立的功率波动平抑模型,可以为一个开环控制系统,开环控制系统结构图中,预测输出功率模块100通过输入的光伏功率110得到预测的输出功率,结合电价预测模块210得到目标输出功率模块200,系统以优化系统偏差为控制目标,使用模型预测控制器410进行优化处理,使得功率输出与目标值偏差最小,并通过光伏功率与蓄电池充放电420输出功率,实现功率波动的平抑。
具体地,采用模型预测控制算法解决在线优化控制问题,滚动优化过程性能,以给定的当前时刻k的储能的内部电量x(k)为初始条件,考虑各项约束,求解开环优化问题,模型预测控制算法通过优化光伏电站的运行状态得到控制变量的开环序列,然后将优化得到的初始值加给光伏电站系统,时刻(k+1)时采用x(k+1)重复上述过程。其中控制目标函数:
式中,N为预测时长,N0为起始时刻,目标函数引入了目标功率输出值yref(k)与预测功率输出值y(k)的偏差作为惩罚。约束条件如下:
x2min≤x2(k)≤x2max (11)
-Umin≤u(k)≤Umax (12)
0≤y(k)≤c1 (13)
-c2≤x1(k)-x1(k-1)≤c2 (14)
式中,Umax为蓄电池最大额定充放电功率,x2min与x2max分别为x2的上下限约束值,c1为额定光伏功率值,c2为功率输出平滑约束上限值,滚动优化过程通过Matlab求解。
在其中一个实施例中,一种功率波动平抑方法,包括以下步骤:
步骤S100,获取与待测日环境气象信息类似的历史日输出功率,采用加入中值滤波过程的EMD算法与BP神经网络相结合获得的算法对待测日输出功率数据进行预测。
步骤S200,将获取的待测日输出功率数据输入预设的控制系统函数模型,获得预测输出功率。
步骤S300,获取历史电价数据,采用预设的自回归模型预测实时电价数据。
步骤S400,将获取的实时电价数据输入预设的目标输出功率决策系统函数模型,获得目标输出功率。
步骤S600,获取储能通用模型,并确定储能通用模型的参数值,根据参数值、输出功率和目标输出功率建立功率波动平抑模型。
步骤S800,基于模型预测控制算法对功率波动平抑模型求解,确定实际功率输出值。
在其中一个实施例中,优化总体思路为在低电价时存储电量,高电价时向电网售出电量,控制系统的设计基于模型预测控制理论,采用动态滚动方法进行优化,以光储电站为例,选取5min一个点对太阳辐照强度及电价预测系统给出的电价进行采样。蓄电池容量为480MWh,并且各项参数取α=0.98,β=0.95,γ=1.05,Mc=54MW,Md=-37MW。其中,蓄电池容量上、下限(x2max,x2min)分别以额定容量480MWh的90%和10%的原则选取,即x2max=432MW,x2min=48MW,光伏额定功率上限值c1选取光伏电站的最大发电量140MW,此外,受蓄电池自身特性影响,其最大充、放电功率Umax取值80MW,功率输出平滑约束c2设置为光伏发电额定功率的1%,即1.4MW。由于功率波动平抑模型考虑电价影响,因而得到的目标功率输出值受平衡价格影响较大,以选取平衡价格为25¥/MW为例,蓄电池在电价达到25¥/MW之前处于充电状态,在4:00-9:00时段,大多数的光伏发电量被存储到蓄电池中,当电池充满时,剩余的电量被输送到电网。
如图5所示,当λ取值在0.1至4之间变化时,如虚线所示,光储电站的收益也会发生变化,实线表示光伏电站在无蓄电池配合场景下的总体收益情况,可以发现,当λ=3时,带有储能设备的光伏电站其收益提高了13%,并且在λ达到3以后收益趋于饱和。
可以理解,上述功率波动平抑方法可以用于光储电站,也可以应用于风电场。
上述功率波动平抑方法,通过预测待测日输出功率数据和实时电价数据,分别获得预测输出功率和目标输出功率,通过建立功率波动平抑模型,并采用模型预测控制算法进行求解,对功率波动进行调整,可以实现功率波动平抑,获得实时准确的实际输出功率值,通过对调度电价及发电功率的预测以及对蓄电池储能设备的模型研究,较大程度平滑光伏并网输出功率的波动,以提高并网光伏电站发电可调度能力。
如图6所示,一种功率波动平抑系统,包括:
预测输出功率模块100,用于将获取的待测日输出功率数据输入预设的控制系统函数模型,获得预测输出功率;
目标输出功率模块200,用于将获取的实时电价数据输入预设的目标输出功率决策系统函数模型,获得目标输出功率;
功率波动平抑模型建立模块300,用于获取储能通用模型,并确定储能通用模型的参数值,根据参数值、输出功率和目标输出功率建立功率波动平抑模型;
实际功率输出模块400,用于基于模型预测控制算法对功率波动平抑模型求解,确定实际功率输出值。
上述功率波动平抑系统,通过预测待测日输出功率数据和实时电价数据,分别获得预测输出功率和目标输出功率,通过建立功率波动平抑模型,并采用模型预测控制算法进行求解,对功率波动进行调整,可以实现功率波动平抑,获得实时准确的实际输出功率值。
一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行程序时实现功率波动平抑方法的步骤。
计算机设备包括通过系统总线连接的处理器、存储器、网络接口、输入装置和显示屏。其中,存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统,还可存储有计算机程序,该计算机程序被处理器执行时,可使得处理器实现功率波动平抑方法。该内存储器中也可储存有计算机程序,该计算机程序被处理器执行时,可使得处理器执行功率波动平抑方法。计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。本领域技术人员可以理解上述结构仅仅是与本申请方案相关的部分结构,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在其中一个实施例中,本申请提供的功率波动平抑装置可以实现为一种计算机程序的形式,计算机程序可在计算机设备上运行。计算机设备的存储器中可存储组成该功率波动平抑系统的各个程序模块,比如,图6所示的预测输出功率模块100、目标输出功率模块200、功率波动平抑模型建立模块300和实际功率输出模块400。各个程序模块构成的计算机程序使得处理器执行本说明书中描述的本申请各个实施例的功率波动平抑方法中的步骤。
例如,计算机设备可以通过如图6所示的功率波动平抑装置中的预测输出功率模块100执行步骤S200;计算机设备可通过目标输出功率模块200执行步骤S400计算机设备可通过功率波动平抑模型建立模块300执行步骤S600;计算机设备可通过实际功率输出模块400执行步骤S800;。
上述用于实现功率波动平抑方法的计算机设备,通过预测待测日输出功率数据和实时电价数据,分别获得预测输出功率和目标输出功率,通过建立功率波动平抑模型,并采用模型预测控制算法进行求解,对功率波动进行调整,可以实现功率波动平抑,获得实时准确的实际输出功率值。
一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现功率波动平抑方法的步骤。
本领域普通技术人员可以理解实现上述实施例功率波动平抑方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一非易失性计算机可读取存储介质中,该程序在执行时,可包括如上述功率波动平抑方法的各个实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
上述用于实现功率波动平抑方法的计算机可读存储介质,通过预测待测日输出功率数据和实时电价数据,分别获得预测输出功率和目标输出功率,通过建立功率波动平抑模型,并采用模型预测控制算法进行求解,对功率波动进行调整,可以实现功率波动平抑,获得实时准确的实际输出功率值。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种功率波动平抑方法,其特征在于,包括以下步骤:
将获取的待测日输出功率数据输入预设的控制系统函数模型,获得预测输出功率;
将获取的实时电价数据输入预设的目标输出功率决策系统函数模型,获得目标输出功率;
获取储能通用模型,并确定所述储能通用模型的参数值,根据所述参数值、所述预测输出功率和所述目标输出功率建立功率波动平抑模型;
基于模型预测控制算法对所述功率波动平抑模型求解,确定实际功率输出值;
所述控制系统函数模型为:
式中,y(k)表示输出功率,r(k)表示第k时刻的预测输出电量,x 2(k)为中间参数变量,t d为MW与MWh之间的转换系数;
所述获取储能通用模型,并确定所述储能通用模型的参数值的步骤包括:
根据选取的储能类型确定储能通用模型,所述通用模型中的参数包括蓄电池自放电速率α、充电效率β、放电效率γ、最大充电阈值Mc和最大放电阈值Md,其中,储能通用模型的表达式为:
式中,x(k)和u(k)分别表示第k时刻储能内部电量和充、放电量,f(x)和g(x,u)均为中间参数变量,通用模型中约束条件为:
当u(k)>0时,表示蓄电池处于充电状态,u(k)<0时,表示蓄电池处于放电状态;
所述目标输出功率决策系统函数模型为:
2.根据权利要求1所述的功率波动平抑方法,其特征在于,所述将获取的待测日输出功率数据输入预设的控制系统函数模型,获得预测输出功率的步骤之前,还包括:
获取与待测日环境气象信息相关的历史日输出功率,采用加入中值滤波过程的EMD算法与BP神经网络相结合获得的算法对待测日输出功率数据进行预测。
3.根据权利要求1所述的功率波动平抑方法,其特征在于,所述将获取的实时电价数据输入预设的目标输出功率决策系统函数模型,获得目标输出功率的步骤之前,还包括:
获取历史电价数据,采用预设的自回归模型预测实时电价数据。
5.一种功率波动平抑系统,其特征在于,包括:
预测输出功率模块,用于将获取的待测日输出功率数据输入预设的控制系统函数模型,获得预测输出功率;
目标输出功率模块,用于将获取的实时电价数据输入预设的目标输出功率决策系统函数模型,获得目标输出功率;
功率波动平抑模型建立模块,用于获取储能通用模型,并确定所述储能通用模型的参数值,根据所述参数值、所述输出功率和所述目标输出功率建立功率波动平抑模型;
实际功率输出模块,用于基于模型预测控制算法对所述功率波动平抑模型求解,确定实际功率输出值;
所述控制系统函数模型为:
式中,y(k)表示输出功率,r(k)表示第k时刻的预测输出电量,x 2(k)为中间参数变量,t d为MW与MWh之间的转换系数;
所述获取储能通用模型,并确定所述储能通用模型的参数值的步骤包括:
根据选取的储能类型确定储能通用模型,所述通用模型中的参数包括蓄电池自放电速率α、充电效率β、放电效率γ、最大充电阈值Mc和最大放电阈值Md,其中,储能通用模型的表达式为:
式中,x(k)和u(k)分别表示第k时刻储能内部电量和充、放电量,f(x)和g(x,u)均为中间参数变量,通用模型中约束条件为:
当u(k)>0时,表示蓄电池处于充电状态,u(k)<0时,表示蓄电池处于放电状态;
所述目标输出功率决策系统函数模型为:
6.根据权利要求5所述的系统,其特征在于,所述系统还用于获取历史电价数据,采用预设的自回归模型预测实时电价数据。
8.根据权利要求5所述的系统,其特征在于,所述系统还用于获取与待测日环境气象信息相关的历史日输出功率,采用加入中值滤波过程的EMD算法与BP神经网络相结合获得的算法对待测日输出功率数据进行预测。
9.一种计算机设备,其特征在于,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现权利要求1-4任意一项所述功率波动平抑方法的步骤。
10.一种计算机可读存储介质,其特征在于,其上存储有计算机程序,该程序被处理器执行时实现权利要求1-4任一项所述功率波动平抑方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710980572.4A CN109687479B (zh) | 2017-10-19 | 2017-10-19 | 功率波动平抑方法、系统、存储介质和计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710980572.4A CN109687479B (zh) | 2017-10-19 | 2017-10-19 | 功率波动平抑方法、系统、存储介质和计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109687479A CN109687479A (zh) | 2019-04-26 |
CN109687479B true CN109687479B (zh) | 2020-12-25 |
Family
ID=66183702
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710980572.4A Active CN109687479B (zh) | 2017-10-19 | 2017-10-19 | 功率波动平抑方法、系统、存储介质和计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109687479B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110676855B (zh) * | 2019-09-30 | 2023-10-31 | 贵州电网有限责任公司 | 一种配电网无功电压控制参数智能优化调整方法 |
CN111143169B (zh) * | 2019-12-30 | 2024-02-27 | 杭州迪普科技股份有限公司 | 异常参数检测方法及装置、电子设备、存储介质 |
CN113378462B (zh) * | 2021-06-09 | 2022-06-17 | 天津凯普林激光科技有限公司 | 一种自学习激光功率波动识别的方法及系统 |
CN113809789A (zh) * | 2021-08-04 | 2021-12-17 | 南方电网电动汽车服务有限公司 | 功率控制方法、能量路由器、功率控制系统及存储介质 |
CN113442795B (zh) * | 2021-08-18 | 2022-06-17 | 重庆交通职业学院 | 基于分层式mpc的燃料电池混合动力系统控制方法 |
CN113972660B (zh) * | 2021-11-16 | 2024-02-06 | 国网江苏省电力有限公司常州供电分公司 | 交直流混合配电网的日前调度方法 |
CN117878971B (zh) * | 2024-03-12 | 2024-06-11 | 西安热工研究院有限公司 | 一种熔盐储能耦合火电机组的调频方法和系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102624017A (zh) * | 2012-03-22 | 2012-08-01 | 清华大学 | 一种基于负荷预测的电池储能系统削峰填谷实时控制方法 |
CN103972916A (zh) * | 2014-05-27 | 2014-08-06 | 国家电网公司 | 利用储能装置平抑风光功率波动的微电网运行方法 |
CN105654207A (zh) * | 2016-01-07 | 2016-06-08 | 国网辽宁省电力有限公司锦州供电公司 | 基于风速、风向信息的风电功率预测方法 |
CN105896596A (zh) * | 2016-04-15 | 2016-08-24 | 合肥工业大学 | 一种考虑需求侧响应的风电功率分层平滑系统及其方法 |
-
2017
- 2017-10-19 CN CN201710980572.4A patent/CN109687479B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102624017A (zh) * | 2012-03-22 | 2012-08-01 | 清华大学 | 一种基于负荷预测的电池储能系统削峰填谷实时控制方法 |
CN103972916A (zh) * | 2014-05-27 | 2014-08-06 | 国家电网公司 | 利用储能装置平抑风光功率波动的微电网运行方法 |
CN105654207A (zh) * | 2016-01-07 | 2016-06-08 | 国网辽宁省电力有限公司锦州供电公司 | 基于风速、风向信息的风电功率预测方法 |
CN105896596A (zh) * | 2016-04-15 | 2016-08-24 | 合肥工业大学 | 一种考虑需求侧响应的风电功率分层平滑系统及其方法 |
Non-Patent Citations (1)
Title |
---|
Optimal consumer response for electricity spot spice;David AK;《IEEE Proceedings-C》;19881231;第378-184页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109687479A (zh) | 2019-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109687479B (zh) | 功率波动平抑方法、系统、存储介质和计算机设备 | |
US11537091B2 (en) | Multi-scale optimization framework for smart energy systems | |
Tazvinga et al. | Optimal power flow management for distributed energy resources with batteries | |
Rodrigues et al. | Modelling and sizing of NaS (sodium sulfur) battery energy storage system for extending wind power performance in Crete Island | |
Mohammed et al. | A review of process and operational system control of hybrid photovoltaic/diesel generator systems | |
Katsigiannis et al. | Optimal sizing of small isolated hybrid power systems using tabu search | |
CA3082974A1 (en) | Energy management system, power demand plan optimization method, and power demand plan optimization program | |
Ho et al. | SAHPPA: a novel power pinch analysis approach for the design of off-grid hybrid energy systems | |
US10291031B2 (en) | Method for controlling power fluctuation ramps having energy storage systems in plants for intermittent energy generation | |
US20160359203A1 (en) | Method and device for setting a maximum depth of discharge of an energy store for a time period | |
CN108009681B (zh) | 一种基于电网负荷尖峰时段曲线提高风电消纳方法 | |
CN103248065B (zh) | 一种风电场中电池储能系统的充放电控制方法 | |
CN113344732A (zh) | 电化学储能的运营评估方法、装置、终端设备及存储介质 | |
Fan et al. | Scheduling framework using dynamic optimal power flow for battery energy storage systems | |
CN111523204B (zh) | 一种并网型综合能源网电-气储能系统优化配置求解方法 | |
CN115189367A (zh) | 一种多时间尺度下的风光储蓄联合优化调度方法及装置 | |
Chang et al. | Model predictive control based energy collaborative optimization management for energy storage system of virtual power plant | |
Liang et al. | Real-time optimization of large-scale hydrogen production systems using off-grid renewable energy: Scheduling strategy based on deep reinforcement learning | |
CN110232202A (zh) | 发电权交易效果评估方法、装置、计算机设备和存储介质 | |
JP2018007521A (ja) | 出力平滑化装置及び出力平滑化方法 | |
Muttaqi et al. | An effective power dispatch strategy to improve generation schedulability by mitigating wind power uncertainty with a data driven flexible dispatch margin for a wind farm using a multi-unit battery energy storage system | |
CN113964819A (zh) | 一种考虑风电场参与调频的电力系统运行优化方法及装置 | |
Lyu et al. | Real-time operation optimization of islanded microgrid with battery energy storage system | |
Liu et al. | Micro grid energy management based on two-stage robust optimization | |
Nayanathara et al. | Techno-economic solution for semi-dispatchable solar |
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 |