CN111401604B - 电力系统负荷功率预测方法及储能电站功率分配方法 - Google Patents

电力系统负荷功率预测方法及储能电站功率分配方法 Download PDF

Info

Publication number
CN111401604B
CN111401604B CN202010095575.1A CN202010095575A CN111401604B CN 111401604 B CN111401604 B CN 111401604B CN 202010095575 A CN202010095575 A CN 202010095575A CN 111401604 B CN111401604 B CN 111401604B
Authority
CN
China
Prior art keywords
load
neural network
energy storage
artificial neural
mcf
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
Application number
CN202010095575.1A
Other languages
English (en)
Other versions
CN111401604A (zh
Inventor
余中平
关洪浩
张增强
辛超山
于国康
高贵亮
边家瑜
余金
李建林
孟高军
张峰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Economic and Technological Research Institute of State Grid Xinjiang Electric Power Co Ltd
Original Assignee
Economic and Technological Research Institute of State Grid Xinjiang Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Economic and Technological Research Institute of State Grid Xinjiang Electric Power Co Ltd filed Critical Economic and Technological Research Institute of State Grid Xinjiang Electric Power Co Ltd
Priority to CN202010095575.1A priority Critical patent/CN111401604B/zh
Publication of CN111401604A publication Critical patent/CN111401604A/zh
Application granted granted Critical
Publication of CN111401604B publication Critical patent/CN111401604B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06N3/12—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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Biophysics (AREA)
  • Development Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Educational Administration (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Primary Health Care (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Artificial Intelligence (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种电力系统负荷功率预测方法及储能电站功率分配方法，利用改进多层交叉反馈(Multi‑layer Cross feedback，MCF)人工神经网络构建电力系统负荷预测模型，对电力系统负荷曲线进行预测。在此基础上，基于负荷预测，计算储能电站用于调峰备用以及调频备用功率需求，并引入调峰模式与调频模式的参与因子，构建储能电站参与电力系统的调频调峰的运行模型，基于该模型，引入种群食物搜寻算法，对储能电站用于调频和调峰的备用功率分配进行优化。本发明将改进MCF人工神经网络算法、负荷预测模型、储能电站运行模型以及种群食物搜寻算法结合在一起，能够有效的提高负荷预测的准确性以及储能电站运行经济性。

Description

电力系统负荷功率预测方法及储能电站功率分配方法
技术领域
本发明涉及一种电力系统负荷预测方法及电站电能调度方法，尤其涉及一种电力系统负荷功率预测方法及基于负荷功率预测的储能电站功率分配方法。
背景技术
随着经济发展，用电设备种类増多，电力系统结构日益复杂庞大，用户负荷特性也有了更丰富的变化；此外，大量新能源并网也给电网的负荷特性带来了不确定性。功率平衡是电力系统稳定运行的基本要求，随着电力系统负荷特性发生巨大的改变，电力系统中的峰谷差也日益扩大，电源与负荷之间出现明显的供需矛盾，对电网的经济调度带来严重的挑战。此外，源-荷之间短时间内的有功功率平衡也遭到破坏，系统短时的有功功率出现不平衡，造成系统频率波动，影响电网的安全稳定。随着储能技术的快速发展，储能被用于电网中调峰、调频成为一个行之有效的手段。然而由相较于大电网而言，储能电站容量有限，因此如何分配储能电站调峰、调频备用功率，使得储能电站在参与电力系统调峰、调频辅助服务中最大限度的满足系统调峰、调频需要。
发明内容
发明目的：针对以上问题，本发明提出一种电力系统负荷功率预测方法，提高负荷功率预测准确性，并提出一种基于上述负荷预测的储能电站功率分配方法，对储能电站调峰备用功率与调频备用功率进行优化分配，有效保证储能电站的稳定运行。
技术方案：本发明所采用的技术方案是一种电力系统负荷功率预测方法，包括以下步骤：
(1)采集电网负荷历史数据以及外部因素数据，对所述负荷历史数据以及外部因素数据进行归一化映射处理；
(2)确定MCF人工神经网络的拓扑结构，构建MCF人工神经网络负荷预测模型；
(3)采用基因寻优算法得到最优的MCF人工神经网络初始权值和阈值，构建基因寻优-MCF人工神经网络负荷预测模型；
(4)通过基因寻优-MCF人工神经网络负荷预测模型计算得到负荷预测归一化结果，将归一化数据进行逆向还原，得到负荷预测值。
其中，步骤(1)中所述的负荷历史数据包括所预测时刻之前的连续三天相同时刻、前一时刻和后一时刻的负荷历史数据，共9个数据；所述的外部因素包括预测时刻当天的最高温度、最低温度、平均温度以及天气状况降水概率以及日类型，共5个数据。选取上述14个数据进行基因寻优-MCF人工神经网络的构建和计算，验证得到高准确度的预测结果。
选取上述历史数据和外部因素后，进行步骤(2)，确定MCF人工神经网络的拓扑结构，具体包括：输入层设置的神经元分别对应着归一化映射处理后的所述负荷历史数据以及外部因素数据；输出层设置一个神经元节点，为预测时刻的归一化负荷值；输出层的激励函数取非负的Sigmiod函数；隐含层的激励函数取正负对称的Sigmiod函数。
步骤(3)中所述的采用基因寻优算法得到最优的MCF人工神经网络初始权值和阈值，是用个体代替MCF人工神经网络中的初始权值W0与阈值B0，个体值初始化的MCF人工神经网络的预测误差作为个体适应度值，然后通过基因寻优算法中的选择、交叉、变异操作后再次计算适应度值，当适应度值达到终止条件即得到最优的MCF人工神经网络初始权值和阈值。所述步骤(3)具体包括以下过程：
(31)种群初始化：随机产生一个包含K组MCF人工神经网络模型的总的网络权值与阈值种群，即X＝{X1，···，Xi，···，XK}，Xi包括输入层到隐含层的权值、隐含层阈值、隐含层到输出层的权值以及输出层阈值；采用实数编码法对每组的MCF人工神经网络的随机候选权值与阈值进行编码；
(32)将人工神经网络模型的输出误差作为个体舒适度的评价标准，输出误差越小，个体舒适度最优，即为最优权值与阈值组，其表达式为：
Figure BDA0002385234360000021
式中，E为误差，da为人工神经网络理想输出，Yoa为实际输出，其中输出层仅有一个神经元，a＝1；
(33)进行个体选择运算，按照个体适应度，采用轮盘赌法，选择部分优良个体进行遗传，形成新的种群；
(34)进行交叉运算，对被选中成为新种群的成对个体，交换原个体中的部分阈值或权值，由此产生新的个体；
(35)进行变异操作，在进行交叉运算后，将个体中的权值与阈值的取值突破原先的包含K组种群的取值范围，向更大的空间以一定概率进行搜索，更新个体中的权值与阈值，重新计算个体舒适度；
(36)重复(33)～(35)中的操作，直至满足舒适度需求或进化次数结束。通过选择、交叉、变异操作寻找最优个体，即最优的MCF人工神经网络初始权值和阈值。
基于上述电力系统的负荷预测方法，本发明还提出一种储能电站功率分配方法，包括以下步骤：
(1)采用基因寻优-MCF人工神经网络预测模型对电力系统的负荷数据进行预测，得到电力系统的负荷预测值和负荷预测曲线，其中负荷预测值的计算方法采用如前所述的电力系统负荷功率预测方法。负荷预测曲线则是通过拟合所述的负荷预测值来得到。
(2)根据所述电力系统的负荷预测值以及曲线，计算电力系统的调峰需求与调频需求；
(3)引入储能电站调峰参与因子α与调频参与因子β，对有限的储能电站容量进行分配：
αP1-req+βP2-req≤Prate
其中，P1-req为系统的调峰需求，P2-req为系统的调频需求，Prate为单个储能电站容量；
(4)采用种群食物搜寻算法求解基于调峰调频参数的储能电站运行模型，得到调频、调峰功率最优分配结果。
有益效果：相比于现有的电力系统负荷预测方法，本发明采用基因寻优算法优化的MCF人工神经网络预测模型对电力系统负荷进行预测，采用基因寻优算法弥补了MCF人工神经网络中的缺陷，使模型预测结果更准确；相比于现有的储能电站的能量分配方法，本发明所述的基于负荷预测的功率分配方法首先对电力系统负荷信息作出了精确的预测，该步骤不仅为储能电站参与调峰、调频动作提供了信息，也为发电系统发电、电网调度提供了有效的参考；其次，本发明所提出的功率分配方法，在考虑负荷特性的基础上，计及储能电站的调峰、调频的成本及收益，确定了储能电站的最优调峰、调频备用功率分配，在有限的容量里保证储能电站稳定运行，获得最优效益。
附图说明
图1是本发明所述的MCF人工神经网络示意图；
图2是本发明所述的基于基因寻优算法优化MCF人工神经网络的负荷预测流程图；
图3是本发明所述的种群食物搜寻流程图。
具体实施方式
下面结合附图和实施例对本发明的技术方案作进一步的说明。
本发明所述的电力系统负荷功率预测方法，采用基因寻优-MCF人工神经网络预测模型对电力系统的负荷数据与曲线进行预测，流程如图2所示，包括以下步骤：
(1)收集区域电网历史数据，包括所需预测时刻的连续前三天相同时刻、前一时刻和后一时刻的负荷历史数据，此外还包括外部因素：预测时刻当天的最高温度、最低温度、平均温度以及天气状况降水概率以及日类型；对上述负荷历史数据以及外部因素数据进行归一化映射处理。
对于影响电力负荷预测的外部因素，无法直接对其进行比较，因此，在本专利中，依据历史负荷数据，结合历史气候状况、日类型等历史影响数据，将各个特征外部影响因素进行归一化处理，映射到特定的数值空间中，使之能够在基因寻优-MCF人工神经网络中进行识别与处理。
首先对对外部因素：温度、降水概率以及日类型进行映射处理，如下表1所示，综合比较外部因素对负荷变化的影响程度，本专利给出了不同温度特征值、降水概率特征值以及日类型特征值所对应的映射值。
表1 特征量映射表
特征量 映射值 特征值 映射值 特征值 映射值
>39℃ 1 20～29℃ 0.3 20～40％ 0.4
38℃ 0.9 12～19℃ 0.25 40～60％ 0.6
37℃ 0.8 6～11℃ 0.2 60～80％ 0.8
36℃ 0.7 0～5℃ 0.15 >80％ 0.9
35℃ 0.6 <0℃ 0.1 周一～周五 0.1
30～35℃ 0.5 0～20％ 0.1 周末/节假日 0.2
对负荷历史数据进行归一化映射处理。将24小时分为24个时间段，将每个时段为一类，对每一类数据都进行归一化处理，其公式为：
Figure BDA0002385234360000041
式中，Ta为某时刻的历史负荷数据，Tmin与Tmax分别为负荷在该时间区间段的最小值与最大值。T*为归一化处理数据，当基因寻优-MCF人工神经网络预测模型输出结果后，再逆向还原得到预测时刻的负荷结果。
(2)确定MCF人工神经网络的拓扑结构，构建MCF人工神经网络负荷预测模型。
如图1所示，为MCF人工神经网络示意图。MCF人工神经网络共分为3层，输入层、隐含层和输出层。根据本发明需求，输入层一共有14个神经元，对应输入分别为：1)预测前三天对应时刻的归一化负荷数据；2)预测前三天对应前一个时刻的归一化负荷数据；3)预测前三天对应后一个时刻的归一化负荷数据；4)预测前两天对应时刻的归一化负荷数据；5)预测前两天对应前一个时刻的归一化负荷数据；6)预测前两天对应后一个时刻的归一化负荷数据；7)预测前一天对应时刻的归一化负荷数据；8)预测前一天对应前一个时刻的归一化负荷数据；9)预测前一天对应后一个时刻的归一化负荷数据；10)预测时刻当天的最高温度；11)预测时刻当天的最低温度；12)预测时刻当天的平均温度；13)降水概率；14)日类型。
输出层只有一个神经元节点，为预测时刻的归一化负荷值。其输出层的神经元的激发函数取非负的Sigmiod函数，其表达式为：
Figure BDA0002385234360000042
MCF人工神经网络的隐含层神经元个数q可由经验公式(2)计算得到：
Figure BDA0002385234360000043
式中，M、N分别为输入层神经元个数、输出层神经元个数，L为[1,10]区间中的整数，本发明中优选为4，经验证选择4预测结果的鲁棒性最好，因此取整数可得隐含层神经元个数为8。隐含层的激励函数取正负对称的Sigmiod函数，其表达式为：
Figure BDA0002385234360000051
(3)基因寻优算法优化MCF人工神经网络
在预测模型中，由于MCF人工神经网络的各层之间的连接权值W和各层的阈值B初始值的分配是随机的，在MCF人工神经网络搜索的过程中具有很大的不确定性，导致最后输出结果偏差加大，且加大了预测模型的计算成本，因此本发明中采用基因寻优算法对MCF人工神经网络中的缺陷进行优化，形成较为准确的基因寻优-MCF人工神经网络负荷预测模型。我们发现，采用基因寻优算法优化所得的MCF人工神经网络负荷预测模型，其预测效率更高，结果更准确。基因寻优算法的基本思路为模拟生物进化的过程，将整个MCF人工神经网络中的随机候选的初始权值W0与阈值B0的其中一组数据视为基因寻优算法中的个体，将该数据组中的具体权值与阈值视为个体中的基因染色体，然后通过模拟自然进化中选择、交叉、变异寻找最优个体，即可最优的MCF人工神经网络初始权值和阈值。其中，个体为MCF人工神经网络各层的权值与阈值的候选数集中的数值，通过基因寻优算法确定最优阈值与权值。编码是指基因寻优无法直接处理问题空间的参数，必须把它们转换成遗传空间的由基因按一定结构组成的染色体或个体
其具体步骤为：
(31)种群初始化：随机产生一个包含K组MCF人工神经网络模型的总的网络权值与阈值种群，即X＝{X1，···，Xi，···，XK}，Xi包含四个部分：输入层到隐含层的权值、隐含层阈值、隐含层到输出层的权值以及输出层阈值。
采用实数编码法对每组的MCF人工神经网络的随机候选权值与阈值进行编码，转化为基因优选算法选择、交叉、变异等等步骤易于操作的形式。在该方案中,每个连接权值和阈值均用实数表示。整个网络权值和阈值分布用一组实数来表达，该实数组即为为基因优选算法中的个体。每个个体中包含整个神经网络的权值与阈值，Xi＝[x1，x2，···xk]，k为总的权值与阈值的个数，经计算，本专利中为129个，k的计算公式如(5)所示：
k＝M×q+q×N+q+N (5)
式中，M、q、N分别为输入层、隐含层以及输出层神经元个数。
同时设置基因优选算法的进化代数。
(32)将人工神经网络模型的输出误差作为个体舒适度的评价标准，输出误差越小，个体舒适度最优，即为最优权值与阈值组。其表达式为：
Figure BDA0002385234360000061
式中，E为误差，da为人工神经网络理想输出，Yoa为实际输出，本专利中输出层仅有一个神经元，a＝1。
(33)进行个体选择运算，按照个体适应度，采用轮盘赌法，选择部分优良个体进行遗传，形成新的种群。
(34)进行交叉运算，因为步骤(31)中个体使用的是实数编码法，所以交叉方法也采用实数交叉法。对被选中成为新种群的成对个体，交换它们之间的部分基因染色体(即原个体中的部分阈值或权值)，由此产生新的个体。
(35)进行变异操作，在进行交叉运算后，将个体中的权值与阈值的取值突破原先的包含K组种群的取值范围，向更大的空间以一定概率进行搜索，更新个体中的权值与阈值，重新计算个体舒适度。
(36)重复(33)～(35)中的操作，直至满足舒适度需求或进化次数结束。通过选择、交叉、变异操作寻找最优个体，即最优的MCF人工神经网络初始权值和阈值，有效减少MCF人工神经网络训练学习的不确定性。
(4)通过基因寻优-MCF人工神经网络负荷预测模型，可以得到较为精准的负荷预测归一化结果，将归一化数据进行逆向还原，就可以得到负荷峰值Pmax、负荷谷值Pmin、平均负荷Pav等数据，将所有的负荷数据通过Origin软件进行拟合，即可得到预测负荷曲线。
采取上述预测方法得到的未来一日内系统负荷预测值，经验证其准确率普遍在98.1％以上，排除偶然突发性事件例如雷击造成的大面积停电等情况。
为保证储能电站在电力系统调峰调频中效果的同时，提高储能电站的稳定运行及经济性，本发明基于上述负荷预测方法，进一步提出了一种储能电站功率分配方法。该方法在考虑电力系统负荷功率预测储能、调节的基础上，计及储能电站参与调峰、调峰的成本，建立储能电站参与调峰、调峰的经济性模型，对储能电站由于调峰备用功率与调频备用功率进行优化分配管理。具体包括以下步骤：
(1)采用基因寻优-MCF人工神经网络预测模型对电力系统的负荷数据与曲线进行预测，具体预测方法如前面的电力系统负荷功率预测方法所述。为了实现储能电站调峰、调频模式下的功率分配，有效地提高储能电站的运行效益，首先对负荷进行预测，得到负荷峰谷数据，为储能电站进行电力系统调频和调频的功率容量分配提供参考。
(2)计算电力系统的调峰需求与调频需求。
通过基因寻优-MCF人工神经网络负荷预测模型，可以得到未来一天的日负荷曲线，根据负荷峰值Pmax、负荷谷值Pmin以及新能源并网容量Penergy，可以得到系统日调峰需求，即为日负荷峰谷差与新能源接入容量之和。
P1-req＝Penergy+(Pmax-Pmin) (7)
系统调频需求。系统频率变化的本质是系统有功功率不平衡导致的，系统调频需求就是补偿不平衡负荷的有功功率分量，根据负荷每个时刻的预测结果Pload，考虑新能源并网容量Penergy、机组发电计划分量PG-plan，联络线调节分量Pline，可得到系统的调频需求：
P2-req＝Pload-Penergy-Pline-PG-pian (8)
(3)因为单个储能电站容量Prate有限，无法为电力系统的调峰调频提供充足的备用功率，因此，需要对储能电站参与调频调峰的备用功率进行分配。本发明在考虑系统调峰需求与调频需求的基础上，充分考虑储能电站的容量，引入了储能电站调峰参与因子α与调频参与因子β，对有限的储能电站容量进行分配：
αP1-req+βP2-req≤Prate (9)
(4)采用模拟鸟类等种群动物觅食的种群食物搜寻算法对基于调峰调频参数的电站运行模型进行最优求解，得到调频、调峰最优功率分配结果。
本实施例列举一种计及调峰、调频参数的储能电站经济运行模型如下。
(41)储能电站的成本分析
(a)全寿命周期内储能投资建设成本
Figure BDA0002385234360000071
式中，Cp为储能系统单位功率成本，CE为储能单位容量成本，Nch为电池循环次数，TLcc为储能电站电池全寿命周期，一般取20年；r为折现率，初始投资成本由其额定功率Prate和储能额定容量Erate决定。
(b)储能电站运行成本
能系统的运行成本包括运行维护成本和报废成本。维护成本是指在全寿命周期内BESS维修、保养、运行的成本，
Figure BDA0002385234360000072
式中，CP0&M为单位功率维护成本，CE0&M为单位容量维护成本，W(t)为储能电站年充放电电量。
(c)储能电站电池报废成本
Figure BDA0002385234360000081
将成本分摊至天，因此，可以得到储能电站一天的成本为
Figure BDA0002385234360000082
(42)储能电站调频调峰收益
储能电站的调频收益来自于储能电站为电力系统提供有偿的调频服务，调峰的收益来自于峰谷电价收益
Figure BDA0002385234360000083
式中，R1为储能电站提供有偿调频服务备用容量单价；R2、R3分别为电力系统峰谷电价，η为能量转换效率，t1-t2为储能电站放电时间，t3-t4充电时间。
(43)得到储能电站的经济运行模型为max(RPER-C) (14)
在计及储能电站参与系统调峰、调频成本与收益的基础上，根据以储能电站经济收益最大为目标的经济评估模型，对调峰、调频参与因子进行优化求解。采用种群食物搜寻得到调频、调峰的最优功率分配结果的计算流程如图3所示，包括以下步骤：
(51)输入储能电站运行模型的各个参数、等式和储能容量限制约束不等式。随机初始化粒子的位置αi、βi与速度v1i与v2i(速度为寻优步长与方向)，设置迭代次数。
(52)开始种群食物搜寻迭代求解，计算各个个体在不同位置的目标函数max()，寻出各个粒子搜寻的当前个体最优Pbest，对当前个体最优进行比较得到当前种群全局最优Gbest，目标函数最优即为约束条件下的当前粒子搜索得到的储能电站最大调峰调频模式选择经济收益。
(53)根据当前个体最优Pbest与全局最优Gbest更新粒子的速度与位置。判断迭代是否结束，当迭代次数结束，算法结束，若未结束，粒子继续重复步骤(52)、(53)搜索。
v1i＝ωv1i+c1random(0,1)(Pbest-αi)+c2random(0,1)(Gbest-αi)
αi＝αi+v1i (15)
上式为调频参与因子α更新迭代公式，式中i＝1,2,…m，v1i为粒子的速度，random为随机数，c1、c2为学习因子，通常设置c1＝c2＝2，ω为惯性因子，目的是控制速度的权重，其值为非负，通过调整ω可对全局寻优性能与个体寻优性能进行调整。调频参与因子的更新规则相同。通过种群食物搜寻可以得到预测当天的储能电站功率分配管理方案。

Claims (5)

1.一种储能电站功率分配方法，其特征在于，包括以下步骤：
(1)采用基因寻优-MCF人工神经网络预测模型对电力系统的负荷数据进行预测，得到电力系统的负荷预测值和负荷预测曲线，包括以下过程：
(11)采集电网负荷历史数据以及外部因素数据，对所述负荷历史数据以及外部因素数据进行归一化映射处理；
(12)确定MCF人工神经网络的拓扑结构，构建MCF人工神经网络负荷预测模型；
(13)采用基因寻优算法得到最优的MCF人工神经网络初始权值和阈值，构建基因寻优-MCF人工神经网络负荷预测模型；
(14)通过基因寻优-MCF人工神经网络负荷预测模型，计算得到负荷预测归一化结果，将归一化数据进行逆向还原，得到负荷预测值；通过拟合所述的负荷预测值，得到负荷预测曲线；
(2)根据所述电力系统的负荷预测值以及负荷预测曲线，计算电力系统的调峰需求与调频需求；通过基因寻优-MCF人工神经网络负荷预测模型，可以得到未来一天的日负荷曲线，根据负荷峰值Pmax、负荷谷值Pmin以及新能源并网容量Penergy，可以得到系统日调峰需求P1-req为：
P1-req＝Penergy+(Pmax-Pmin)；
根据负荷每个时刻的预测结果Pload，考虑新能源并网容量Penergy、机组发电计划分量PG-plan，联络线调节分量Pline，得到系统的调频需求P2-req为：
P2-req＝Pload-Pnergy-Pline-PG-pian；
(3)引入储能电站调峰参与因子α与调频参与因子β，对有限的储能电站容量进行分配：
αP1-req+βP2-req≤Prate
其中，P1-req为系统的调峰需求，P2-req为系统的调频需求，Prate为单个储能电站容量；
(4)采用种群食物搜寻算法求解基于调峰调频参数的储能电站运行模型，得到调频、调峰功率最优分配结果。
2.根据权利要求1所述的储能电站功率分配方法，其特征在于：步骤(11)中所述的负荷历史数据包括所预测时刻之前的连续三天相同时刻、前一时刻和后一时刻的负荷历史数据；所述的外部因素包括预测时刻当天的最高温度、最低温度、平均温度以及天气状况降水概率以及日类型。
3.根据权利要求1所述的储能电站功率分配方法，其特征在于：步骤(12)中所述的确定MCF人工神经网络的拓扑结构包括：输入层设置的神经元分别对应归一化映射处理后的所述负荷历史数据以及外部因素数据；输出层设置一个神经元节点，为预测时刻的归一化负荷值；输出层的激励函数取非负的Sigmiod函数；隐含层的激励函数取正负对称的Sigmiod函数。
4.根据权利要求1所述的储能电站功率分配方法，其特征在于：步骤(13)中所述的采用基因寻优算法得到最优的MCF人工神经网络初始权值和阈值，是用个体代替MCF人工神经网络中的初始权值W0与阈值B0，个体值初始化的MCF人工神经网络的预测误差作为个体适应度值，然后通过基因寻优算法中的选择、交叉、变异操作后再次计算适应度值，当适应度值达到终止条件即得到最优的MCF人工神经网络初始权值和阈值。
5.根据权利要求1所述的储能电站功率分配方法，其特征在于：所述步骤(13)包括以下过程：
(31)种群初始化：随机产生一个包含K组MCF人工神经网络模型的总的网络权值与阈值种群，即X＝{X1，…，Xi，…，XK}，Xi包括输入层到隐含层的权值、隐含层阈值、隐含层到输出层的权值以及输出层阈值；采用实数编码法对每组的MCF人工神经网络的随机候选权值与阈值进行编码；
(32)将人工神经网络模型的输出误差作为个体舒适度的评价标准，输出误差越小，个体舒适度最优，即为最优权值与阈值组，其表达式为：
Figure FDA0004080367610000021
式中，E为误差，da为人工神经网络理想输出，Yoa为实际输出，其中输出层仅有一个神经元，a＝1；
(33)进行个体选择运算，按照个体适应度，采用轮盘赌法，选择部分优良个体进行遗传，形成新的种群；
(34)进行交叉运算，对被选中成为新种群的成对个体，交换原个体中的部分阈值或权值，由此产生新的个体；
(35)进行变异操作，在进行交叉运算后，将个体中的权值与阈值的取值突破原先的包含K组种群的取值范围，向更大的空间以一定概率进行搜索，更新个体中的权值与阈值，重新计算个体舒适度；
(36)重复(33)～(35)中的操作，直至满足舒适度需求或进化次数结束，通过选择、交叉、变异操作寻找最优个体，即最优的MCF人工神经网络初始权值和阈值。
CN202010095575.1A 2020-02-17 2020-02-17 电力系统负荷功率预测方法及储能电站功率分配方法 Active CN111401604B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010095575.1A CN111401604B (zh) 2020-02-17 2020-02-17 电力系统负荷功率预测方法及储能电站功率分配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010095575.1A CN111401604B (zh) 2020-02-17 2020-02-17 电力系统负荷功率预测方法及储能电站功率分配方法

Publications (2)

Publication Number Publication Date
CN111401604A CN111401604A (zh) 2020-07-10
CN111401604B true CN111401604B (zh) 2023-07-07

Family

ID=71430336

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010095575.1A Active CN111401604B (zh) 2020-02-17 2020-02-17 电力系统负荷功率预测方法及储能电站功率分配方法

Country Status (1)

Country Link
CN (1) CN111401604B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113131499A (zh) * 2021-04-21 2021-07-16 阳光新能源开发有限公司 一种削峰填谷与一次调频的协同控制方法及装置
CN113361784A (zh) * 2021-06-10 2021-09-07 浙江大学 基于人工神经网络的多模式供热机组负荷分配优化方法
CN115276177B (zh) * 2022-08-18 2023-09-26 上海采日能源科技有限公司 储能电池充放电功率控制方法、装置及电池控制系统
CN116191476B (zh) * 2023-04-03 2023-12-29 华能威海发电有限责任公司 智能化电网一次调频系统
CN116488212B (zh) * 2023-06-19 2023-08-22 长沙电机厂集团长瑞有限公司 一种虚拟控制多电机组进行电力储能配置的方法及系统
CN117330205B (zh) * 2023-10-23 2024-05-14 广州市资拓科技有限公司 一种idc的环境监测预警方法及系统、存储介质
CN117353359B (zh) * 2023-12-05 2024-04-12 国网浙江省电力有限公司宁波供电公司 电池联合储能供电方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105932696A (zh) * 2016-06-14 2016-09-07 国网新疆电力公司经济技术研究院 一种消弭风光电并网大波动风险的方法
CN109086952A (zh) * 2018-10-25 2018-12-25 北京石油化工学院 一种基于遗传算法-神经网络的热负荷预测方法
CN109256792A (zh) * 2018-10-10 2019-01-22 华南理工大学 一种面向分布式储能需求的储能集聚系统及其优化方法
CN109599861A (zh) * 2018-11-30 2019-04-09 国家电网公司西南分部 考虑本地负荷调峰能力的送端电网电源结构规划方法
CN110222888A (zh) * 2019-05-27 2019-09-10 深圳供电局有限公司 一种基于bp神经网络的日平均电力负荷预测方法
CN114757107A (zh) * 2022-05-09 2022-07-15 国网黑龙江省电力有限公司电力科学研究院 一种基于负荷预测模型的重力储能功率分配方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9667057B2 (en) * 2014-06-18 2017-05-30 General Electric Company System and method for protecting a power converter during an adverse voltage event

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105932696A (zh) * 2016-06-14 2016-09-07 国网新疆电力公司经济技术研究院 一种消弭风光电并网大波动风险的方法
CN109256792A (zh) * 2018-10-10 2019-01-22 华南理工大学 一种面向分布式储能需求的储能集聚系统及其优化方法
CN109086952A (zh) * 2018-10-25 2018-12-25 北京石油化工学院 一种基于遗传算法-神经网络的热负荷预测方法
CN109599861A (zh) * 2018-11-30 2019-04-09 国家电网公司西南分部 考虑本地负荷调峰能力的送端电网电源结构规划方法
CN110222888A (zh) * 2019-05-27 2019-09-10 深圳供电局有限公司 一种基于bp神经网络的日平均电力负荷预测方法
CN114757107A (zh) * 2022-05-09 2022-07-15 国网黑龙江省电力有限公司电力科学研究院 一种基于负荷预测模型的重力储能功率分配方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Research on the Control Strategy of Phase-Change Heat Storage Station with Automatic Generation System in Power Network Peak Regulation and Frequency Modulation;Qingqi Zhao 等;《2018 Chinese Control And Desicion Conference》;20180709;第4315-4320页 *
基于负荷预测的储能功率分配优化策略;高东学 等;《可再生能源》;20210416;第39卷(第4期);第554-560页 *
大规模储能系统提升西北地区可再生能源消纳能力分析;徐少华 等;《电力建设》;20180401;第39卷(第4期);第67-74页 *

Also Published As

Publication number Publication date
CN111401604A (zh) 2020-07-10

Similar Documents

Publication Publication Date Title
CN111401604B (zh) 电力系统负荷功率预测方法及储能电站功率分配方法
WO2023274425A1 (zh) 一种风光水火储系统的多能容量优化配置方法
Sarshar et al. Multi-objective energy management of a micro-grid considering uncertainty in wind power forecasting
CN109325608B (zh) 考虑储能并计及光伏随机性的分布式电源优化配置方法
Ghadimi et al. PSO based fuzzy stochastic long-term model for deployment of distributed energy resources in distribution systems with several objectives
CN112131733A (zh) 计及电动汽车充电负荷影响的分布式电源规划方法
CN106159944B (zh) 低碳环境下基于二层规划模型的多阶段输电网规划方法
CN112884270A (zh) 一种考虑不确定性因素的多场景配电网规划方法及系统
Bazmohammadi et al. Optimal operation management of a microgrid based on MOPSO and Differential Evolution algorithms
CN117578409A (zh) 一种电力市场环境下的多能互补优化调度方法及系统
CN113972694B (zh) 一种配电网分布式光伏与储能电站投资决策方法
Zhang et al. A short-term photovoltaic power output prediction for virtual plant peak regulation based on K-means clustering and improved BP neural network
CN113364043A (zh) 一种基于条件风险价值的微电网群优化方法
Pompern et al. Optimal placement and capacity of battery energy storage system in distribution networks integrated with pv and evs using metaheuristic algorithms
Su et al. Optimal placement and capacity sizing of energy storage systems via NSGA-II in active distribution network
CN116645089A (zh) 一种考虑退役电池容量退化的储能系统双层优化配置方法
CN116961052A (zh) 一种分布式储能系统的选址定容方法及系统
CN106600078A (zh) 一种基于新能源发电预测的微网能量管理方案
CN116865270A (zh) 一种含嵌入式直流的柔性互联配电网优化调度方法及系统
CN114757107A (zh) 一种基于负荷预测模型的重力储能功率分配方法
CN114066282A (zh) 一种基于混合核搜索和黏菌优化的电力经济排放调度方法
Kai et al. Optimization for PV-ESS in Distribution Network Based on CSBO
CN111967646A (zh) 一种虚拟电厂可再生能源优化配置方法
Zhang et al. Capacity Optimization of Hybrid Energy Storage System Based on Improved Golden Eagle Optimization
Wenyue et al. Optimal scheduling strategy for virtual power plant considering voltage control

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