CN109755949A - 一种热电联合储能电站功率的优化分配方法及装置 - Google Patents

Abstract

本发明公开了一种热电联合储能电站功率的优化分配方法，包括：采集热电联合储能电站的相关参数；将相关参数作为所述电站的指标向量；将预先设置的储能电池的荷电状态的划分界限、储电功率系数、储热功率系数等作为随机森林神经网络的判断条件；定义所述电站的工作状态类别；计算指标向量在各工作状态类别下是否超出安全运行范围，计算各工作状态下超出安全运行范围的概率，保留概率最小的组合作为训练样本；使用训练样本，生成并优化随机森林神经网络，将未来一段时间储能系统的状态量作为输入值，通过随机森林神经网络输出热电联合储能电站的工作模式，解决了未来超短期内发电趋势的分配储能电池和储热系统功率的控制策略的需求问题。

Description

一种热电联合储能电站功率的优化分配方法及装置

技术领域

本申请涉及储能技术领域，具体涉及一种热电联合储能电站功率的优化分配方法，同时涉及一种热电联合储能电站功率的优化分配装置。

背景技术

随着新能源发电，尤其是光伏、风力发电的快速发展，其上网比例也逐年增加。光伏、风力发电具有的波动性和间歇性，也给电力系统带来新的问题，而储能正是一种有效的解决手段。为平抑大规模光伏和风力发电上网给系统带来的波动，需要配置大容量的储能系统。

在抽水蓄能和压缩空气储能方式对选址的要求都过高，飞轮储能和超导储能等方式成本过于高昂，距离规模化商业化应用的地步还很远的情况下，热-电联合储能这种储能方式无疑成为了目前可规模化推广性价比最高的储能方式。光热发电配合储能电池调节风力发电波动的模式已经成为未来新能源发电的模式之一。但与之配套的储能策略还比较简单被动，无法有效地利用好储能电池和储热系统的容量造成了一定的浪费，而且无法达到预期的平抑波动效果。因此，为了解决上述问题，需要一种考虑未来超短期内发电趋势的分配储能电池和储热系统功率的控制策略。

发明内容

本申请提供一种热电联合储能电站功率的优化分配方法，解决了未来超短期内发电趋势的分配储能电池和储热系统功率的控制策略的需求问题。

本申请提供一种热电联合储能电站功率的优化分配方法，其特征在于，包括：

采集热电联合储能电站的相关参数，将采集到的热电联合储能电站的相关参数根据积分面积法，预估未来一段时间所述热电联合储能电站的储能电池的荷电状态的变化量；将所述相关参数作为热电联合储能电站的指标向量；

将预先设置的储能电池的荷电状态的划分界限、储电功率系数、储热功率系数，以及未来一段时间荷电状态变化量的上下限作为随机森林神经网络的判断条件；

定义热电联合储能电站的工作状态类别；计算指标向量在各工作状态类别下是否超出安全运行范围，并将指标向量相同的点归类，计算各工作状态下超出安全运行范围的概率，保留概率最小的组合作为训练样本；

使用所述训练样本，生成并优化随机森林神经网络，将未来一段时间储能系统的状态量作为输入值，通过所述随机森林神经网络输出所述热电联合储能电站的工作模式。

优选的，所述采集热电联合储能电站的相关参数，包括：

采集储能电池的荷电状态(SOC)、储能电池负荷、储热系统温度、电锅炉功率，以及储热状态。

优选的，所述将采集到的热电联合储能电站的相关参数根据积分面积法，预估未来一段时间所述热电联合储能电站的储能电池的荷电状态的变化量，具体的，包括：

根据超短期风光功率预测曲线，可以预估未来一小时储能电池的SOC变化量其中p为未来一小时内每分钟储能负荷，s为储能容量。

优选的，所述将预先设置的储能电池的荷电状态的划分界限、储电功率系数、储热功率系数，以及未来一段时间荷电状态变化量的上下限作为随机森林神经网络的判断条件，包括：

将储能电池的SOC划分为5个区间，区间之间的边界分别为S_max、S_high、S_low、S_min；

储热状态为其中Q为当前储热值，S为储热设备容量，并将储热状态划分为5个区间，区间之间的边界分别为e_max、e_high、e_low、e_min；

储电功率系数为将当前储电功率归一化，

储热功率系数为将储热功率归一化，

设置α为预测变量置信因子，αT为未来一小时SOC变化量的预期值，s＝SOC+αT，代表一小时后SOC预期值；

若SOC变化量预期值αT高于限制值(未来一小时将迎来发电功率波峰)且s﹥Shigh，则电熔盐加热炉配合蓄电池进行提前放电；反之αT低于限制值(未来一小时将迎来发电功率波谷)且s﹤Slow，光热发电机组消耗热能发电配合蓄电池进行提前储能；

若有SOC∈[SOC_min，SOC_low]或SOC∈[SOC_high，SOC_max](SOC越限)，则储能电池向越限方向充放电功率乘以一个系数β，其余储能充放电功率分配给电熔盐加热炉或光热发电机组；

若有蓄电池储能功率p或储热功率q越限，则储热系统和储热系统一同充放电；

若有储热状态e∈[e_low，e_high]，则储热系统可以吸收或向蓄电池提供热量；

若有储热状态e∈[e_min，e_low]或e∈[e_high，e_max](e越限)，则储热系统向越限方向充放电功率乘以一个系数γ，其余储能充放电功率分配给储能电池；

若有e﹥e_max或e﹤e_min(e超界)则储热系统不再向增大或减小方向充放电。

优选的，所述定义热电联合储能电站工作状态，包括：

根据所述随机森林神经网络的判断条件，定义热电联合储能电站的工作状态分别为：储能电池充放电储热系统不工作、储能电池和储热系统一同充放电、储能电池不工作储热系统充放电、储热系统配合吸收储能电池充放电功率。

优选的，所述计算指标向量在各工作状态类别下是否超出安全运行范围，并将指标向量相同的点归类，计算各工作状态下超出安全运行范围的概率，保留概率最小的组合作为训练样本，包括：

将热电联合储能电站的的工作状态记为状态向量X，Y为状态向量为X的工作状态类别，将状态向量为X工作状态为Y的条件下计算出的一小时后储能系统功率和容量越线的概率记为Z作为指标向量。构造训练样本集L＝{X，Y，Z}；

遍历计算X在Y的四种条件下对应的Z值，取Z最小记录对应的{X，y_i}，X为i时间点的指标向量，y_i为i时间点的工作状态类别；

自举建立分类树的训练样本集体复本，随机抽取样本集中的样本，并将训练样本集分为袋内样本和袋外样本；

将重要时间段的数据的权利设置为2，其他时间段的数据的权重设置为1。

优选的，所述袋内样本，用来建立预测器；袋外样本用于检测预测器的性能。

优选的，所述重要时间段的数据，包括：波峰波谷期间的数据。

优选的，所述使用所述训练样本，生成并优化随机森林神经网络，包括：

使用所述训练样本生成初始随机森林，建立K个分类树，每个分类树对储能工作的类别做出一个判断，将最多的同类别判断作为结果；

优化随机森林，对随机森林的最小叶子数和决策树个数进行合理选择。

本申请同时提供一种热电联合储能电站功率的优化分配装置，其特征在于，包括：

采集单元，用于采集热电联合储能电站的相关参数，将采集到的热电联合储能电站的相关参数根据积分面积法，预估未来一段时间所述热电联合储能电站的储能电池的荷电状态的变化量；将所述相关参数作为热电联合储能电站的指标向量；

判断条件设置单元，用于将预先设置的储能电池的荷电状态的划分界限、储电功率系数、储热功率系数，以及未来一段时间荷电状态变化量的上下限作为随机森林神经网络的判断条件；

训练样本获取单元，用于定义热电联合储能电站的工作状态类别；计算指标向量在各工作状态类别下是否超出安全运行范围，并将指标向量相同的点归类，计算各工作状态下超出安全运行范围的概率，保留概率最小的组合作为训练样本；

输出单元，用于使用所述训练样本，生成并优化随机森林神经网络，将未来一段时间储能系统的状态量作为输入值，通过所述随机森林神经网络输出所述热电联合储能电站的工作模式。

本申请提供的一种热电联合储能电站功率的优化分配方法，通过考虑未来超短期内发电趋势，分配储能电池和储热系统功率的控制策略，解决了未来超短期内发电趋势的分配储能电池和储热系统功率的控制策略的需求问题。

附图说明

图1是本申请实施例一种热电联合储能电站功率的优化分配方法流程示意图；

图2是本申请实施例涉及的根据判断值设置对应的工作模式的流程图；

图3是本申请实施例涉及的储能电池SOC分区示意图；

图4是本申请实施例提供的一种热电联合储能电站功率的优化分配装置示意图。

具体实施方式

在下面的描述中阐述了很多具体细节以便于充分理解本申请。但是本申请能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本申请内涵的情况下做类似推广，因此本申请不受下面公开的具体实施的限制。

请参看图1，图1是本申请实施例提供的一种热电联合储能电站功率的优化分配方法流程示意图，下面结合图1对本申请提供的方法进行详细说明。

步骤S101，采集热电联合储能电站的相关参数，将采集到的热电联合储能电站的相关参数根据积分面积法，预估未来一段时间所述热电联合储能电站的储能电池的荷电状态的变化量；将所述相关参数作为热电联合储能电站的指标向量。

热电联合储能电站的相关参数，包括：储能电池的荷电状态(SOC)、储能电池负荷、储热系统温度、电锅炉功率，以及储热状态。储能电池的荷电状态可以简写为SOC，在下文中如果提到SOC，均是指储能电池的荷电状态。然后将采集到的热电联合储能电站的相关参数，根据据超短期风光功率预测曲线，可以预估未来一小时储能电池的SOC变化量，

其中p为未来一小时内每分钟储能负荷，s为储能容量。

然后将所述相关参数作为热电联合储能电站的指标向量。

步骤S102，将预先设置的储能电池的荷电状态的划分界限、储电功率系数、储热功率系数，以及未来一段时间荷电状态变化量的上下限作为随机森林神经网络的判断条件。

请参看图2，图2是储能电池SOC分区示意图，图中将储能电池的SOC划分为5个区间，区间之间的边界分别为S_max、S_high、S_low、S_min；

储热状态为其中Q为当前储热值，S为储热设备容量，并将储热状态划分为5个区间，区间之间的边界分别为e_max、e_high、e_low、e_min；

储电功率系数为将当前储电功率归一化，

储热功率系数为将储热功率归一化，

设置α为预测变量置信因子，αT为未来一小时SOC变化量的预期值，s＝SOC+αT，代表一小时后SOC预期值。

根据判断值设置对应的工作模式的流程如图3所示。

若SOC变化量预期值αT高于限制值(未来一小时将迎来发电功率波峰)且s﹥Shigh，则电熔盐加热炉配合蓄电池进行提前放电；反之αT低于限制值(未来一小时将迎来发电功率波谷)且s﹤Slow，光热发电机组消耗热能发电配合蓄电池进行提前储能；

若有SOC∈[SOC_min，SOC_low]或SOC∈[SOC_high，SOC_max](SOC越限)，则储能电池向越限方向充放电功率乘以一个系数β，其余储能充放电功率分配给电熔盐加热炉或光热发电机组；

若有蓄电池储能功率p或储热功率q越限，则储热系统和储热系统一同充放电；

若有储热状态e∈[e_low，e_high]，则储热系统可以吸收或向蓄电池提供热量；若有储热状态e∈[e_min，e_low]或e∈[e_high，e_max](e越限)，则储热系统向越限方向充放电功率乘以一个系数γ，其余储能充放电功率分配给储能电池；

若有e﹥e_max或e﹤e_min(e超界)则储热系统不再向增大或减小方向充放电。

上述未来一小时荷电状态就化量的上下限可以是未来一段时间荷电状态变化量的上下限作为随机森林神经网络的判断条件。步骤S103，定义热电联合储能电站的工作状态类别；计算指标向量在各工作状态类别下是否超出安全运行范围，并将指标向量相同的点归类，计算各工作状态下超出安全运行范围的概率，保留概率最小的组合作为训练样本。

根据所述随机森林的判断条件，定义热电联合储能电站的工作状态分别为：储能电池充放电储热系统不工作、储能电池和储热系统一同充放电、储能电池不工作储热系统充放电、储热系统配合吸收储能电池充放电功率。

将热电联合储能电站的的工作状态记为状态向量X，Y为状态向量为X的工作状态类别，将状态向量为X工作状态为Y的条件下计算出的一小时后储能系统功率和容量越线的概率记为Z作为指标向量。构造训练样本集L＝{X，Y，Z}；

遍历计算X在Y的四种条件下对应的Z值，取Z最小记录对应的{X，y_i}，X为i时间点的指标向量，y_i为i时间点的工作状态类别；

自举建立分类树的训练样本集体复本，随机抽取样本集中的样本，并将训练样本集分为袋内样本和袋外样本；所述袋内样本，用来建立预测器；袋外样本用于检测预测器的性能。

将重要时间段的数据的权重设置为2，其他时间段的数据的权重设置为1；重要时间段的数据，包括：波峰波谷期间的数据。因为重要时间段的数据中含有更多的信息，因此，该时间段的数据应比其他时间段更受重视，所以，需要赋予相关数据更多的权重，所以赋予重要时间段的数据的权重为2，其他时间段的数据的权重为1，这就意味着重要时间段的数据将以2倍于其他时间段的数据的概率自举进入复本。

接下来根据随机分子空间划分的思想，在每一个分裂节点随机选取部分指标作为该节点的分裂属性集合，计算集合中所有分裂属性有可能划分的基尼(gini)系数，选择基尼系数最小的划分进行二元分裂。

步骤S104，使用所述训练样本，生成并优化随机森林神经网络，将未来一段时间储能系统的状态量作为输入值，通过所述随机森林神经网络输出所述热电联合储能电站的工作模式。

用所述训练样本，生成初始随机森林，通过上述过程建立K个决策树，每个决策树对储能工作的类别做出一个判断，将最多的同类别判断作为结果；

优化随机森林，对随机森林的最小叶子数和决策树个数进行合理选择。然后将未来一段时间储能系统的状态量作为输入值，通过所述随机森林神经网络输出所述热电联合储能电站的工作模式。

本申请同时提供一种热电联合储能电站功率的优化分配装置400，请参看图4，其特征在于，包括：

采集单元410，用于采集热电联合储能电站的相关参数，将采集到的热电联合储能电站的相关参数根据积分面积法，预估未来一段时间所述热电联合储能电站的储能电池的荷电状态的变化量；将所述相关参数作为热电联合储能电站的指标向量；

判断条件设置单元420，用于将预先设置的储能电池的荷电状态的划分界限、储电功率系数、储热功率系数，以及未来一段时间荷电状态变化量的上下限作为随机森林神经网络的判断条件；

训练样本获取单元430，用于定义热电联合储能电站的工作状态类别；计算指标向量在各工作状态类别下是否超出安全运行范围，并将指标向量相同的点归类，计算各工作状态下超出安全运行范围的概率，保留概率最小的组合作为训练样本；

输出单元440，用于使用所述训练样本，生成并优化随机森林神经网络，将未来一段时间储能系统的状态量作为输入值，通过所述随机森林神经网络输出所述热电联合储能电站的工作模式。

通过本申请提供的方法，考虑未来超短期内发电趋势，分配储能电池和储热系统功率的控制策略，解决了未来超短期内发电趋势的分配储能电池和储热系统功率的控制策略的需求问题。

以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员依然可以对本发明的具体实施方式进行修改或者等同替换，而这些未脱离本发明精神和范围的任何修改或者等同替换，其均在申请待批的本发明的权利要求保护范围之内。

Claims (10)

1.一种热电联合储能电站功率的优化分配方法，其特征在于，包括：

采集热电联合储能电站的相关参数，将采集到的热电联合储能电站的相关参数根据积分面积法，预估未来一段时间所述热电联合储能电站的储能电池的荷电状态的变化量；将所述相关参数作为热电联合储能电站的指标向量；

将预先设置的储能电池的荷电状态的划分界限、储电功率系数、储热功率系数，以及未来一段时间荷电状态变化量的上下限作为随机森林神经网络的判断条件；

定义热电联合储能电站的工作状态类别；计算指标向量在各工作状态类别下是否超出安全运行范围，并将指标向量相同的点归类，计算各工作状态下超出安全运行范围的概率，保留概率最小的组合作为训练样本；

使用所述训练样本，生成并优化随机森林神经网络，将未来一段时间储能系统的状态量作为输入值，通过所述随机森林神经网络输出所述热电联合储能电站的工作模式。

2.根据权利要求1所述的方法，其特征在于，所述采集热电联合储能电站的相关参数，包括：

采集储能电池的荷电状态(SOC)、储能电池负荷、储热系统温度、电锅炉功率，以及储热状态。

3.根据权利要求1所述的方法，其特征在于，所述将采集到的热电联合储能电站的相关参数根据积分面积法，预估未来一段时间所述热电联合储能电站的储能电池的荷电状态的变化量，具体的，包括：

根据超短期风光功率预测曲线，可以预估未来一小时储能电池的SOC变化量其中p为未来一小时内每分钟储能负荷，s为储能容量。

4.根据权利要求1所述的方法，其特征在于，所述将预先设置的储能电池的荷电状态的划分界限、储电功率系数、储热功率系数，以及未来一段时间荷电状态变化量的上下限作为随机森林神经网络的判断条件，包括：

将储能电池的SOC划分为5个区间，区间之间的边界分别为S_max、S_high、S_low、S_min；

储热状态为其中Q为当前储热值，S为储热设备容量，并将储热状态划分为5个区间，区间之间的边界分别为e_max、e_high、e_low、e_min；

储电功率系数为将当前储电功率归一化，

储热功率系数为将储热功率归一化，

设置α为预测变量置信因子，αT为未来一小时SOC变化量的预期值，s＝SOC+αT，代表一小时后SOC预期值；

若SOC变化量预期值αT高于限制值(未来一小时将迎来发电功率波峰)且s﹥Shigh，则电熔盐加热炉配合蓄电池进行提前放电；反之αT低于限制值(未来一小时将迎来发电功率波谷)且s﹤Slow，光热发电机组消耗热能发电配合蓄电池进行提前储能；

若有SOC∈[SOC_min，SOC_low]或SOC∈[SOC_high，SOC_max](SOC越限)，则储能电池向越限方向充放电功率乘以一个系数β，其余储能充放电功率分配给电熔盐加热炉或光热发电机组；

若有蓄电池储能功率p或储热功率q越限，则储热系统和储热系统一同充放电；

若有储热状态e∈[e_low，e_high]，则储热系统可以吸收或向蓄电池提供热量；

若有储热状态e∈[e_min，e_low]或e∈[e_high，e_max](e越限)，则储热系统向越限方向充放电功率乘以一个系数γ，其余储能充放电功率分配给储能电池；

若有e﹥e_max或e﹤e_min(e超界)则储热系统不再向增大或减小方向充放电。

5.根据权利要求1或4所述的方法，其特征在于，所述定义热电联合储能电站的工作状态，包括：

根据所述随机森林神经网络的判断条件，定义热电联合储能电站的工作状态分别为：储能电池充放电储热系统不工作、储能电池和储热系统一同充放电、储能电池不工作储热系统充放电、储热系统配合吸收储能电池充放电功率。

6.根据权利要求1所述的方法，其特征在于，所述计算指标向量在各工作状态类别下是否超出安全运行范围，并将指标向量相同的点归类，计算各工作状态下超出安全运行范围的概率，保留概率最小的指标向量和工作状态类别的组合作为训练样本，包括：

将热电联合储能电站的的工作状态记为状态向量X，Y为状态向量为X的工作状态类别，将状态向量为X工作状态为Y的条件下计算出的一小时后储能系统功率和容量越线的概率记为Z作为指标向量。构造训练样本集L＝{X，Y，Z}；

遍历计算X在Y的四种条件下对应的Z值，取Z最小记录对应的{X，y_i}，X为i时间点的指标向量，y_i为i时间点的工作状态类别；

自举建立分类树的训练样本集体复本，随机抽取样本集中的样本，并将训练样本集分为袋内样本和袋外样本；

将重要时间段的数据的权利设置为2，其他时间段的数据的权重设置为1。

7.根据权利要求6所述的方法，其特征在于，所述袋内样本，用来建立预测器；袋外样本用于检测预测器的性能。

8.根据权利要求6所述的方法，其特征在于，所述重要时间段的数据，包括：波峰波谷期间的数据。

9.根据权利要求1所述的方法，其特征在于，所述使用所述训练样本，生成并优化随机森林神经网络，包括：

使用所述训练样本生成初始随机森林，建立K个分类树，每个分类树对储能工作的类别做出一个判断，将最多的同类别判断作为结果；

优化随机森林，对随机森林的最小叶子数和决策树个数进行合理选择。

10.一种热电联合储能电站功率的优化分配装置，其特征在于，包括：

采集单元，用于采集热电联合储能电站的相关参数，将采集到的热电联合储能电站的相关参数根据积分面积法，预估未来一段时间所述热电联合储能电站的储能电池的荷电状态的变化量；将所述相关参数作为热电联合储能电站的指标向量；

判断条件设置单元，用于将预先设置的储能电池的荷电状态的划分界限、储电功率系数、储热功率系数，以及未来一段时间荷电状态变化量的上下限作为随机森林神经网络的判断条件；

训练样本获取单元，用于定义热电联合储能电站的工作状态类别；计算指标向量在各工作状态类别下是否超出安全运行范围，并将指标向量相同的点归类，计算各工作状态下超出安全运行范围的概率，保留概率最小的组合作为训练样本；

输出单元，用于使用所述训练样本，生成并优化随机森林神经网络，将未来一段时间储能系统的状态量作为输入值，通过所述随机森林神经网络输出所述热电联合储能电站的工作模式。