CN112215478A - 光储电站的功率协调控制方法和装置、存储介质 - Google Patents
光储电站的功率协调控制方法和装置、存储介质 Download PDFInfo
- Publication number
- CN112215478A CN112215478A CN202011032384.7A CN202011032384A CN112215478A CN 112215478 A CN112215478 A CN 112215478A CN 202011032384 A CN202011032384 A CN 202011032384A CN 112215478 A CN112215478 A CN 112215478A
- Authority
- CN
- China
- Prior art keywords
- power
- optical storage
- coordination control
- solar irradiance
- establishing
- 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
- 230000003287 optical effect Effects 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000004146 energy storage Methods 0.000 claims abstract description 31
- 238000012549 training Methods 0.000 claims abstract description 31
- 230000006870 function Effects 0.000 claims abstract description 30
- 238000003062 neural network model Methods 0.000 claims abstract description 21
- 238000012360 testing method Methods 0.000 claims abstract description 17
- 125000004122 cyclic group Chemical group 0.000 claims abstract description 12
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 238000004458 analytical method Methods 0.000 claims abstract description 9
- 238000005457 optimization Methods 0.000 claims abstract description 5
- 230000009021 linear effect Effects 0.000 claims description 33
- 230000009466 transformation Effects 0.000 claims description 21
- 230000000306 recurrent effect Effects 0.000 claims description 19
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 230000002159 abnormal effect Effects 0.000 claims description 8
- 230000005611 electricity Effects 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 4
- 230000001131 transforming effect Effects 0.000 claims description 3
- 238000013136 deep learning model Methods 0.000 abstract description 2
- 210000002569 neuron Anatomy 0.000 description 10
- 230000004913 activation Effects 0.000 description 8
- 238000005286 illumination Methods 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000013135 deep learning Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000004451 qualitative analysis Methods 0.000 description 3
- 238000003705 background correction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000009291 secondary effect Effects 0.000 description 2
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000003828 downregulation Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 210000002364 input neuron Anatomy 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000012887 quadratic function Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000003827 upregulation Effects 0.000 description 1
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
- G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
-
- 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
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- Entrepreneurship & Innovation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Tourism & Hospitality (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Photovoltaic Devices (AREA)
Abstract
本发明提供一种光储电站的功率协调控制方法和装置、存储介质，该方法包括获取光储电站历史太阳辐照度及其影响因素数据，对采集到的数据集进行预处理，划分出训练集和测试集，建立循环神经网络模型，通过循环神经网络模型在得到的测试集上进行预测，对预测结果进行误差分析后保存模型，预测光储电站未来一个调度周期的太阳辐照度数据，并基于该数据预测得到光伏出力，得到光储电站参与市场调度的实际电能，建立调度周期内电池储能系统的损耗成本函数模型，建立光储电站短期优化调度目标函数。本发明通过搭建可解释的深度学习模型，利用与太阳辐照度及其影响相关因素数据，可以对未来短期的太阳辐照度数据进行更加精确预测。
Description
技术领域
本发明涉及光伏功率预测与储能控制技术领域，尤其涉及一种光储电站的功率协调控制方法以及应用该方法的装置、存储介质。
背景技术
太阳辐照度是光伏发电最主要的影响因素，但是由于大气的存在，真正到达地球表面的太阳辐射能的大小要受许多因素的影响，包括太阳高度、太阳方位角等地理参数，相对湿度、干球温度等气象参数，以及不同季节造成的光照强度不同带来的影响等。
因此，太阳辐照度具有很强的随机性和波动性，对于光伏电站而言，精确的太阳辐照度短期预测是解决光伏电站输出功率稳定问题的关键技术之一，同时也是制定合理调度计划的必要前提。
同时光伏出力存在的随机性和波动性的特点不可改变，随着光伏在电网中渗透率不断提高，当参与电网有功功率调节时，光伏电站本身需要弃光以及承担相应的经济损失，这将影响电网的经济稳定运行。储能电池具备响应速度快、控制精准的特性，并且在电网中既可以作为负荷被充电，又可以作为电源去放电，光伏电站侧配备储能系统可有效跟踪计划出力，主动参与电网调度。
现有的太阳辐照度预测方法主要有机器学习预测方法和深度学习预测方法。其中，机器学习方法主要有回归、SVM回归、随机森林与时间序列分析法等；深度学习方法主要有LSTM长短时记忆神经网络等。
目前的预测方法都很难应对不同天气类型下的各种影响因素，要实现精确的预测难度很大。现有的预测方法在以下三个方面有待提高，如下：
(1)机器学习方法或者深度学习算法是“端到端”的“黑盒”模式，难以准确揭示太阳辐照度预测结果与输入特征如太阳高度、方位角、温度等之间的关系。
(2)预测算法内部的变换关系不可改变，使得太阳辐照度预测精度进一步提升很难。
(3)太阳辐照度预测算法的空间复杂度偏大，计算一次辐照度预测结果耗费时间很长。因此亟需提出一种可解释的、预测精度高并且空间复杂度小的深度学习算法用于太阳辐照度的短期预测。
对于光储电站而言，电池储能系统的装配灵活、存储容量大、不受地理环境限制，但是其成本昂贵带来的经济性问题使其广泛应用受限。因此对光储电站协调控制以减小其经济成本是保证光储电站收益最大化的重要手段。
发明内容
本发明的第一目的在于提供一种通过搭建可解释的深度学习模型，利用与太阳辐照度相关的地理因素、气象因素以及光照因素等数据，对未来短期的太阳辐照度数据进行更加精确预测的光储电站的功率协调控制方法。
本发明的第二目的在于提供一种光储电站的短期功率协调控制装置。
本发明的第三目的在于提供一种存储介质。
为了实现上述的第一目的，本发明提供的一种光储电站的功率协调控制方法，其包括步骤S1、获取光储电站历史太阳辐照度及其影响因素数据；步骤S2、对采集到的数据集进行预处理，划分出训练集和测试集；步骤 S3、建立循环神经网络模型；步骤S4、通过循环神经网络模型在所述步骤S2得到的测试集上进行预测，对预测结果进行误差分析后保存模型；步骤S5、使用所述步骤S4中保存的模型预测光储电站未来一个调度周期的太阳辐照度数据，并基于该数据预测得到光伏出力；步骤S6、得到光储电站参与市场调度的实际电能；步骤S7、建立调度周期内电池储能系统的损耗成本函数模型；步骤S8、建立光储电站短期优化调度目标函数，以实现光储电站短期功率协调控制。
进一步的方案中，所述步骤S1具体包括：采集光储电站中与太阳辐照度相关的各类特征参数数据，其中，所述各类特征参数数据具体包括太阳高度、太阳方位角等地理参数，相对湿度、干球温度等气象参数，以及不同季节下的太阳辐照度校正因子等。
更进一步的方案中，所述步骤S2具体包括：对所述步骤S1中采集到的数据集进行预处理，对预处理后的数据集进行归一化并进行训练集和测试集的划分，其中，所述预处理包括缺失值、异常值的填补和修正。
更进一步的方案中，所述步骤S3包括以下步骤：步骤S31，建立输入层：将当前时刻太阳辐照度特征值与上一时刻的记忆值进行组合变换，作为输入向量，通过线性变换后传递给下一网络层；步骤S32，建立中间层：使用Legendre多项式对所述步骤S31的输出结果进行特征提取，构成特征提取层，其输出结果传递给下一网络层作为输入，并且作为记忆值传递给下一时刻的输入层；步骤S33，建立输出层：采用可解释的线性变换函数，对所述步骤S32中的输出结果进行计算，预测当前时刻的光储电站太阳辐照度；将所述步骤S2训练集的太阳辐照度特征值数据在可解释循环神经网络中进行训练，达到训练次数以及训练精度后，保存模型。
更进一步的方案中，所述步骤S4具体包括：通过循环神经网络模型在所述步骤S2得到的测试集上进行预测，输出太阳辐照度影响因素相关度系数，建立评价指标体系，并对预测结果进行误差分析，判断预测结果与真实值偏差是否在允许范围内，如是，则保存模型。
更进一步的方案中，所述步骤S6具体包括：基于光储电站的历史电能流动数据以及历史电价，得到下一调度周期内的光储电站为满足市场调度的必须出力及预估电价；结合所述步骤S5中得到的光伏出力和电池储能系统能量，从而得到光储电站参与市场调度的实际电能。
更进一步的方案中，所述步骤S7具体包括：分别建立储能电池可利用寿命受温度和放电深度影响的模型，进而建立调度周期内电池储能系统的损耗成本函数模型。
更进一步的方案中，所述步骤S8具体包括通过所述步骤S6中得到的光储电站参与市场调度的实际电能以及预估电价，通过损耗成本函数模型计算电池储能系统的损耗成本，以最大化光储电站收益为目标建立光储电站短期优化调度目标函数。
为了实现上述的第二目的，本发明提供的一种光储电站的功率协调控制装置，其包括存储器，用于存储计算机可读指令；以及处理器，用于运行所述计算机可读指令，使得所述短期功率协调控制装置执行如上述的功率协调控制方法。
为了实现上述的第三目的，本发明提供的一种存储介质，用于存储计算机可读指令，当所述计算机可读指令由计算机执行时，使得所述计算机执行如上述的功率协调控制方法的指令。
由此可见，本发明提出了一种基于可解释循环神经网络模型的太阳辐照度预测方法，使用影响太阳辐照度的的气象参数、地理参数以及校正因子等数据，采用一种新的训练方法，该方法包括数据预处理、误差估计预训练和参数调整，对可解释循环神经网络的模型参数进行了很好的调优。通过模型的学习调参，其预测精度不断提高，提高了传统太阳辐照度预测的精度。
进一步的，本发明提出了一种算法空间复杂度小的可解释循环神经网络模型，基于深度学习算法提出了一种可解释的循环神经网络模型，该模型算法不仅空间复杂度小，而且具备合理性以及可改进性，通过自定义循环神经网络的激活函数，可视化深度学习内部过程的变换关系，解释模型的预测结果与输入特征的相关性。
此外，本发明的光储电站短期功率协调控制方法，基于预测出力并考虑到储能系统的损耗成本，以最大化光储电站收益为目标，建立光储电站短期功率协调控制模型，可以对未来短期的太阳辐照度数据进行更加精确预测。
附图说明
图1是本发明一种光储电站的功率协调控制方法实施例的流程框图。
图2是本发明一种光储电站的功率协调控制方法实施例中光储电站的太阳辐照度预测曲线的示意图。
图3是本发明一种光储电站的功率协调控制方法实施例中光储电站的光伏出力的示意图。
图4是本发明一种光储电站的功率协调控制方法实施例中循环神经网络模型的结构示意图。
以下结合附图及实施例对本发明作进一步说明。
具体实施方式
为了使发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明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发明，并不限用于本发明。
参见图1，本发明的功率协调控制方法在对光储电站进行短期功率预测与协同控制时，首先，执行步骤S1，获取光储电站历史太阳辐照度及其影响因素数据。
在本实施例中，步骤S1具体包括：采集光储电站中与太阳辐照度相关的各类特征参数数据，其中，所述各类特征参数数据具体包括太阳高度、太阳方位角等地理参数，相对湿度、干球温度等气象参数，以及不同季节下的太阳辐照度校正因子等。
然后，执行步骤S2、对采集到的数据集进行预处理，划分出训练集和测试集。步骤S2具体包括：对步骤S1中采集到的数据集进行预处理，对预处理后的数据集进行[0-1]归一化并进行训练集和测试集的划分，其中，预处理包括缺失值、异常值的填补和修正。
具体地，对步骤S1中采集到的数据进行预处理，包括缺失值、异常值的填补、修正，然后对数据集进行[0-1]归一化。首先需要对原始数据中存在的缺失值、异常值进行填补、修正，采用四分位间距(IQR)方法检测异常值，然后将这些异常点从数据集中去除，去除异常点后采用二次插值方法填充数据间隙。然后，采用离差标准化方法对将数据集进行归一化，使不同维度的数据归一化到[0-1]之间。最后，将数据集进行划分，70％作为训练集，30％作为测试集。
然后，执行步骤S3、建立循环神经网络模型。
在本实施例中，步骤S3包括以下步骤：步骤S31，建立输入层：将当前时刻太阳辐照度特征值与上一时刻的记忆值进行组合变换，作为输入向量，通过线性变换后传递给下一网络层。
步骤S32，建立中间层：使用Legendre多项式对步骤S31的输出结果进行特征提取，构成特征提取层，其输出结果传递给下一网络层作为输入，并且作为记忆值传递给下一时刻的输入层。
步骤S33，建立输出层：采用可解释的线性变换函数，对步骤S32中的输出结果进行计算，预测当前时刻的光储电站太阳辐照度；将步骤S2 训练集的太阳辐照度特征值数据在可解释循环神经网络中进行训练，达到训练次数以及训练精度后，保存模型。
步骤S34，判断训练精度是否达到误差允许范围。
具体地，在可解释循环神经网络模型的搭建过程中，首先确定网络总层数为四层，在建立输入层时，使用线性变换对输入太阳辐照度特征值和循环神经网络上一时刻的记忆值进行组合变换，作为下一网络层的输入。
然后，本实施例的中间层(即非线性层)使用Legendre多项式对步骤 S31中的输出结果进行特征提取。该多项式自定义是显性变换，使结果具备可解释性。该层输出结果既作为下一网络层的输入，同时也作为记忆值传递给下一时刻的输入层。
在步骤S33中，为了增加模型的可解释性，输出层采用可解释的线性变换函数，对步骤S32中的结果进行计算，预测该时刻的光储电站太阳辐照度。
然后，初始化超参数、迭代次数等数据，使用上述步骤搭建的可解释模型对步骤S2中得到的训练集数据进行训练，直至全部迭代训练结束后，保存模型。
然后，执行步骤S34，判断训练精度是否达到误差允许范围，如是，则执行步骤S4、通过循环神经网络模型在步骤S2得到的测试集上进行预测，对预测结果进行误差分析后保存模型。其中，步骤S4具体包括：通过循环神经网络模型在步骤S2得到的测试集上进行预测，输出太阳辐照度影响因素相关度系数，建立评价指标体系，并对预测结果进行误差分析，判断预测结果与真实值偏差是否在允许范围内，如是，则保存模型。
具体的，将步骤S2训练集的太阳辐照度特征值数据在可解释循环神经网络中进行训练，达到训练次数以及训练精度后，保存模型。
在步骤S3中得到的可解释循环神经网络模型具体搭建表示为公式 (11)：
yt＝a1(W1[Xt，Ht])+a2(W2[Xt，Ht])2 (II)
本实施例的太阳辐照度预测使用用步骤S2中的测试集数据进行预测，选取该光储电站春、夏、秋、冬四个季节某天的太阳辐照度预测曲线，如图2所示。
然后，建立评价指标。使用如下指标对预测结果进行定性分析，若定性分析结果在误差允许范围内，则保存模型；否则返回步骤S3。具体地，使用平均绝对误差MAE、均方根误差RMSE、均方根误差变异系数 CV-RMSE以及拟合优度R2对预测结果进行定性分析，计算公式如(12) -(15)所示。
然后，输出可解释循环神经网络模型的特征相关系数，进行预测结果的解释，输出测试集某天太阳辐照度预测结果的相关性系数如表(1)所示。
表(1)
分析表(1)可知，该模型的预测结果不仅与所有的输入特征值有关，而且与模型的前一时刻的记忆值也存在一定的关系。
此外，由表(1)可知，公式(11)中某些参数的线性函数对预测结果的影响大于其二次项，如太阳高度、太阳方位角、全球照度和漫射水平照度。而其他参数的二次函数，如相对湿度、风速和干球温度等对其线性项的影响更大。
此外，由表(1)还可以得出，当前太阳辐照度是对预测结果影响最大的因素。这是可以理解的，因为当前的太阳照射决定了下一阶段太阳照射的变化趋势和强度。而照度阴影带校正因子对预测结果的贡献最小。这可以从这个参数只是一个修正因子这一事实来解释。
在本实施例中，分析表(1)相关性系数可知，不同的特征参数对结果的影响不同，例如，线性影响大于其二次影响的参数有太阳高度、太阳方位角、全球照度和漫射水平照度等；而二次影响大于其线性影响的参数如相对湿度、风速和干球温度等。
此外，由表(1)还可以得出，当前太阳辐照度的相关性系数最大，照度阴影带校正因子的相关性系数最小。当前太阳辐照度是对预测结果影响最大的因素，是合理的可解释性，因为当前的太阳辐照度大小决定了下一阶段太阳照射的变化趋势和强度；因为照度阴影带校正因子只是一个修正因子，所以对预测结果的贡献最小。
接着，执行步骤S5、使用步骤S4中保存的模型预测光储电站未来一个调度周期的太阳辐照度数据，并基于该数据预测得到光伏出力
如图 3所示。
然后，执行步骤S6、得到光储电站参与市场调度的实际电能。其中，步骤S6具体包括：基于光储电站的历史电能流动数据以及历史电价，得到下一调度周期内的光储电站为满足市场调度的必须出力及预估电价
结合步骤S5中得到的光伏出力
和电池储能系统能量
从而得到光储电站参与市场调度的实际电能，包括在日前市场中交易的电能
以及在平衡市场中参与上调和下调时需要买、卖的电能
由此可得光储电站参与市场调度的出力如公式(15)：
其中，储能系统能量满足电池SOC约束：
其中，
分别代表电池最小、最大可充电电能量。
同时满足能量平衡约束，如公式(16)：
即光伏出力
电池储能系统能量
以及平衡市场买入的电能
之和等于日前市场交易的电能
和平衡市场卖出的电能
之和。
然后，执行步骤S7、建立调度周期内电池储能系统的损耗成本函数模型。其中，步骤S7具体包括：计及电池储能系统受温度和放电深度的影响，分别建立储能电池可利用寿命受温度和放电深度影响的模型，进而建立调度周期内电池储能系统的损耗成本函数模型。
具体地，电池储能系统的损耗成本为Cv，其函数模型为公式(17)：
其中，Cb是电池固有成本，LN是以循环次数为单位的电池循环寿命，Ev是电池总的储能容量(kWh)，DoDref是电池参考DoD。电池循环寿命受电池放电深度和环境温度W影响较大，不同材料的电池受影响的关系不同，这里分别用F1、F2表示LN受DoD以及W的影响函数。
在本实施例中，用gv表示当前存储在电池中的电能，gvmax表示电池可以存储的最大电能，则放电深度对LN的影响如公式(18)、(19):
LN1＝F1(Do D) (19)
温度W对LN的影响如公式(20)所示:
LN2＝F2(W) (20)
则LN受DoD以及W的影响定义为公式(21)：
则可得到调度周期T内的电池储能系统的电池损耗成本函数模型为公式(22)：
然后，执行步骤S8、建立光储电站短期优化调度目标函数，以实现光储电站短期功率协调控制。其中，步骤S8具体包括通过步骤S6中得到的光储电站参与市场调度的实际电能以及预估电价，通过损耗成本函数模型计算电池储能系统的损耗成本，以最大化光储电站收益为目标建立光储电站短期优化调度目标函数。
利用步骤S6中得到的光储电站参与市场调度的电能以及电价，计及步骤S7中得到的电池储能系统的损耗成本，以最大化光储电站收益为目标建立光储电站短期优化调度目标函数，如公式(23)所示：
可见，光储电站集中控制系统根据该目标函数向光伏系统、储能系统下达调度命令，从而实现该光储电站短期功率协调控制。
在具体应用中，建立如图2所示的可解释循环神经网络模型，用步骤 S2中得到的训练集数据对模型进行训练。
如图4所示，可解释循环神经网络模型有四层，一个输入层，两个线性层和一个非线性层。
其中，输入层负责将当前时刻的采样数据特征参数和该网络细胞上一时刻的记忆状态数据输入到可解释循环神经网络结构中。第一线性层是输入层各数据的线性组合。
其中，非线性层采用Legendre多项式提取可解释循环神经网络中的可解释特征，并保留这一时刻的隐层记忆状态作为下一时刻的部分输入。
最后，第二线性层将可解释特征线性组合，形成最终的预测结果。现在详细阐述可解释循环神经网络的内在原理。
1)输入层：
可解释循环神经网络模型的输入层数据既包括当前时刻的特征值，又包括模型上一时刻的状态值。例如，t时刻将太阳辐射、环境和气象等参数的典型特征按一定的顺序进行排序，得到一个特征向量Xt，同时取模型上一时刻的内部状态值为向量Ht，则该层的输入为[Xt，Ht]，数据形式如下公式(1)、(2)、(3)：
Xt＝[x1，x2，……xn] (1)
Ht＝[h1，h2，……hk] (2)
inputt＝[Xt，Ht]＝[x1，x2，……xn，h1，h2，……hk] (3)
其中，xi表示t时刻第i个特征值，即第i个输入神经元的值，共有n 个特征值；hi表示t-1时刻第i个隐层神经元的值，共有k个隐层神经元。输入层共有(n+k)个元素。
2)第一线性层：
输入层与第一线性层是全连接的。本层只含有一个线性变换节点，作用于输入层各元素，通过线性加权变换，输出k个神经元细胞值，作为下一神经网络层的输入，可以表示为公式(4)：
其中，wij表示输入层第i个神经元与第一线性层第j个神经元之间的线性变换权值；b表示偏置；
表示t时刻该层第j个神经元的线性输出值。结合输入层，可将第一线性层的变换用一般形式表示为公式(5)：
其中，
表示输入层与第一线性层的第j个神经元的权向量，T表示矩阵的转置。
3该)层非区线别性于层传：统的RNN模型，使用自定义的激活函数f(x)组成k个节点，使模型具有可解释性。其中，该层的每个节点都与第一线性层全连接，输出一个激活值
k个节点的输出值组成激活向量[Ht]。[Ht]既作为该时刻的记忆状态值传递到下一时刻的输入层，又作为输出层的激活值决定模型最终的预测结果，其变换关系如公式(6)：
可解释RNN模型使用Ridgefunction作为激活函数，则变换关系如公式(7)、(8)：
其中，pi表示非线性层第i个节点激活函数(即Ridgefunction)的变换幂次。
4)第二线性层：
第二线性层也即是该模型的输出层，该层包含一个节点，节点的输入是上层所有节点的激活值，输出是经过该层线性变换与线性组合后的值，因此该层的输出是Ridgefunctions的线性组合，表示如公式(9)、(10)：
其中，γi表示上层第i个神经元与该线性层的变换权值，通过γi的大小可知上层神经元对输出结果的影响力；μ表示线性变换的偏置。
根据本公开实施例的光储电站的功率协调控制装置包括存储器和处理器。功率协调控制装置中的各组件通过总线系统和/或其它形式的连接机构(未示出)互连。
所述存储器用于存储非暂时性计算机可读指令。具体地，存储器可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器 (cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。
所述处理器可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其它形式的处理单元，并且可以控制功率协调控制装置中的其它组件以执行期望的功能。在本公开的一个实施例中，所述处理器用于运行所述存储器中存储的所述计算机可读指令，使得所述功率协调控制装置执行上述功率协调控制方法。所述功率协调控制方法与上述功率协调控制方法描述的实施例相同，在此将省略其重复描述。
根据本公开实施例的存储介质其上存储有计算机可读指令。当所述计算机可读指令由处理器运行时，执行参照上述描述的根据本公开实施例的功率协调控制方法。
以上结合具体实施例描述了本公开的基本原理，但是，需要指出的是，在本公开中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本公开的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本公开为必须采用上述具体的细节来实现。
本公开中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
需要说明的是，以上仅为本发明的优选实施例，但发明的设计构思并不局限于此，凡利用此构思对本发明做出的非实质性修改，也均落入本发明的保护范围之内。
Claims (10)
1.光储电站的功率协调控制方法，其特征在于，包括：
步骤S1、获取光储电站历史太阳辐照度及其影响因素数据；
步骤S2、对采集到的数据集进行预处理，划分出训练集和测试集；
步骤S3、建立循环神经网络模型；
步骤S4、通过循环神经网络模型在所述步骤S2得到的测试集上进行预测，对预测结果进行误差分析后保存模型；
步骤S5、使用所述步骤S4中保存的模型预测光储电站未来一个调度周期的太阳辐照度数据，并基于该数据预测得到光伏出力；
步骤S6、得到光储电站参与市场调度的实际电能；
步骤S7、建立调度周期内电池储能系统的损耗成本函数模型；
步骤S8、建立光储电站短期优化调度目标函数，以实现光储电站短期功率协调控制。
2.根据权利要求1所述的功率协调控制方法，其特征在于：
所述步骤S1具体包括：采集光储电站中与太阳辐照度相关的各类特征参数数据，其中，所述各类特征参数数据具体包括太阳高度、太阳方位角等地理参数，相对湿度、干球温度等气象参数，以及不同季节下的太阳辐照度校正因子等。
3.根据权利要求1所述的功率协调控制方法，其特征在于：
所述步骤S2具体包括：对所述步骤S1中采集到的数据集进行预处理，对预处理后的数据集进行归一化并进行训练集和测试集的划分，其中，所述预处理包括缺失值、异常值的填补和修正。
4.根据权利要求1所述的功率协调控制方法，其特征在于：
所述步骤S3包括以下步骤：
步骤S31，建立输入层：将当前时刻太阳辐照度特征值与上一时刻的记忆值进行组合变换，作为输入向量，通过线性变换后传递给下一网络层；
步骤S32，建立中间层：使用Legendre多项式对所述步骤S31的输出结果进行特征提取，构成特征提取层，其输出结果传递给下一网络层作为输入，并且作为记忆值传递给下一时刻的输入层；
步骤S33，建立输出层：采用可解释的线性变换函数，对所述步骤S32中的输出结果进行计算，预测当前时刻的光储电站太阳辐照度；将所述步骤S2训练集的太阳辐照度特征值数据在可解释循环神经网络中进行训练，达到训练次数以及训练精度后，保存模型。
5.根据权利要求1所述的功率协调控制方法，其特征在于：
所述步骤S4具体包括：通过循环神经网络模型在所述步骤S2得到的测试集上进行预测，输出太阳辐照度影响因素相关度系数，建立评价指标体系，并对预测结果进行误差分析，判断预测结果与真实值偏差是否在允许范围内，如是，则保存模型。
6.根据权利要求1所述的功率协调控制方法，其特征在于：
所述步骤S6具体包括：基于光储电站的历史电能流动数据以及历史电价，得到下一调度周期内的光储电站为满足市场调度的必须出力及预估电价；
结合所述步骤S5中得到的光伏出力和电池储能系统能量，从而得到光储电站参与市场调度的实际电能。
7.根据权利要求1所述的功率协调控制方法，其特征在于：
所述步骤S7具体包括：分别建立储能电池可利用寿命受温度和放电深度影响的模型，进而建立调度周期内电池储能系统的损耗成本函数模型。
8.根据权利要求6所述的功率协调控制方法，其特征在于：
所述步骤S8具体包括通过所述步骤S6中得到的光储电站参与市场调度的实际电能以及预估电价，通过损耗成本函数模型计算电池储能系统的损耗成本，以最大化光储电站收益为目标建立光储电站短期优化调度目标函数。
9.一种光储电站的功率协调控制装置，包括：
存储器，用于存储计算机可读指令；以及
处理器，用于运行所述计算机可读指令，使得所述功率协调控制装置执行如权利要求1到8的任一项所述的功率协调控制方法。
10.一种存储介质，用于存储计算机可读指令，当所述计算机可读指令由计算机执行时，使得所述计算机执行如权利要求1到8的任一项所述的功率协调控制方法的指令。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011032384.7A CN112215478B (zh) | 2020-09-27 | 2020-09-27 | 光储电站的功率协调控制方法和装置、存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011032384.7A CN112215478B (zh) | 2020-09-27 | 2020-09-27 | 光储电站的功率协调控制方法和装置、存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112215478A true CN112215478A (zh) | 2021-01-12 |
| CN112215478B CN112215478B (zh) | 2024-05-28 |
Family
ID=74050775
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011032384.7A Active CN112215478B (zh) | 2020-09-27 | 2020-09-27 | 光储电站的功率协调控制方法和装置、存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112215478B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114676893A (zh) * | 2022-03-11 | 2022-06-28 | 中国长江三峡集团有限公司 | 一种基于最优图结构的光伏电站太阳辐照度短期预测方法及存储介质 |
| CN117060595A (zh) * | 2023-10-12 | 2023-11-14 | 江西恒能电力工程有限公司 | 电站节能控制方法、系统、可读存储介质及计算机 |
| CN118036529A (zh) * | 2024-02-20 | 2024-05-14 | 山东大学 | 用于光伏预测的有效辐照度和温度计算方法及系统 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170091615A1 (en) * | 2015-09-28 | 2017-03-30 | Siemens Aktiengesellschaft | System and method for predicting power plant operational parameters utilizing artificial neural network deep learning methodologies |
| CN106651007A (zh) * | 2016-11-24 | 2017-05-10 | 北京理工大学 | 基于gru的光伏电站辐照度中长期预测的方法及装置 |
| WO2017155421A1 (en) * | 2016-03-07 | 2017-09-14 | Centro De Investigação Em Energia Ren - State Grid, S.A | Method and system for forecasting the power output of a group of photovoltaic power plants and managing the integration of said power output into a power grid |
| US20180046924A1 (en) * | 2015-08-31 | 2018-02-15 | Guangzhou Institute Of Energy Conversion, Chinese Academy Of Sciences | Whole-life-cycle power output classification prediction system for photovoltaic systems |
| CN109034464A (zh) * | 2018-07-11 | 2018-12-18 | 南京联迪信息系统股份有限公司 | 一种短期光伏发电系统功率预测及结果校核的方法 |
| CN109934423A (zh) * | 2019-04-25 | 2019-06-25 | 山东大学 | 基于并网逆变器运行数据的光伏电站功率预测方法及系统 |
| CN110766134A (zh) * | 2019-09-25 | 2020-02-07 | 福州大学 | 基于循环神经网络的光伏电站短期功率预测方法 |
| CN110909919A (zh) * | 2019-11-07 | 2020-03-24 | 哈尔滨工程大学 | 融合注意力机制的深度神经网络模型的光伏功率预测方法 |
| CN111461297A (zh) * | 2020-03-25 | 2020-07-28 | 河海大学 | 基于mpc和elm神经网络的太阳辐照量优化预测算法 |
-
2020
- 2020-09-27 CN CN202011032384.7A patent/CN112215478B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180046924A1 (en) * | 2015-08-31 | 2018-02-15 | Guangzhou Institute Of Energy Conversion, Chinese Academy Of Sciences | Whole-life-cycle power output classification prediction system for photovoltaic systems |
| US20170091615A1 (en) * | 2015-09-28 | 2017-03-30 | Siemens Aktiengesellschaft | System and method for predicting power plant operational parameters utilizing artificial neural network deep learning methodologies |
| WO2017155421A1 (en) * | 2016-03-07 | 2017-09-14 | Centro De Investigação Em Energia Ren - State Grid, S.A | Method and system for forecasting the power output of a group of photovoltaic power plants and managing the integration of said power output into a power grid |
| CN106651007A (zh) * | 2016-11-24 | 2017-05-10 | 北京理工大学 | 基于gru的光伏电站辐照度中长期预测的方法及装置 |
| CN109034464A (zh) * | 2018-07-11 | 2018-12-18 | 南京联迪信息系统股份有限公司 | 一种短期光伏发电系统功率预测及结果校核的方法 |
| CN109934423A (zh) * | 2019-04-25 | 2019-06-25 | 山东大学 | 基于并网逆变器运行数据的光伏电站功率预测方法及系统 |
| CN110766134A (zh) * | 2019-09-25 | 2020-02-07 | 福州大学 | 基于循环神经网络的光伏电站短期功率预测方法 |
| CN110909919A (zh) * | 2019-11-07 | 2020-03-24 | 哈尔滨工程大学 | 融合注意力机制的深度神经网络模型的光伏功率预测方法 |
| CN111461297A (zh) * | 2020-03-25 | 2020-07-28 | 河海大学 | 基于mpc和elm神经网络的太阳辐照量优化预测算法 |
Non-Patent Citations (2)
| Title |
|---|
| KE YAN, ET AL: "Short-Term Solar Irradiance Forecasting Based on a Hybrid Deep Learning Methodology", INFORMATION, vol. 11, pages 1 - 13 * |
| 荆博等: "光伏发电短期预测研究进展综述", 电测与仪表, vol. 54, no. 12, pages 1 - 6 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114676893A (zh) * | 2022-03-11 | 2022-06-28 | 中国长江三峡集团有限公司 | 一种基于最优图结构的光伏电站太阳辐照度短期预测方法及存储介质 |
| CN114676893B (zh) * | 2022-03-11 | 2024-02-02 | 中国长江三峡集团有限公司 | 一种基于最优图结构的光伏电站太阳辐照度短期预测方法及存储介质 |
| CN117060595A (zh) * | 2023-10-12 | 2023-11-14 | 江西恒能电力工程有限公司 | 电站节能控制方法、系统、可读存储介质及计算机 |
| CN117060595B (zh) * | 2023-10-12 | 2024-01-26 | 江西恒能电力工程有限公司 | 电站节能控制方法、系统、可读存储介质及计算机 |
| CN118036529A (zh) * | 2024-02-20 | 2024-05-14 | 山东大学 | 用于光伏预测的有效辐照度和温度计算方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112215478B (zh) | 2024-05-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109462231B (zh) | 居民微电网的负荷优化调度方法、系统和存储介质 | |
| Liu et al. | An improved photovoltaic power forecasting model with the assistance of aerosol index data | |
| CN112215478B (zh) | 光储电站的功率协调控制方法和装置、存储介质 | |
| CN110556820B (zh) | 用于确定能量系统操作场景的方法和设备 | |
| Huang et al. | One‐day‐ahead hourly forecasting for photovoltaic power generation using an intelligent method with weather‐based forecasting models | |
| CN103489038A (zh) | 基于lm-bp神经网络的光伏超短期功率预测方法 | |
| Yu et al. | The forecast of the electrical energy generated by photovoltaic systems using neural network method | |
| Guo et al. | An ensemble solar power output forecasting model through statistical learning of historical weather dataset | |
| Ciabattoni et al. | Solar irradiation forecasting using RBF networks for PV systems with storage | |
| Srithapon et al. | Surrogate-Assisted multi-objective probabilistic optimal power flow for distribution network with photovoltaic generation and electric vehicles | |
| Jiang et al. | Day‐ahead renewable scenario forecasts based on generative adversarial networks | |
| CN112994092B (zh) | 一种基于功率预测的独立风光储微电网系统尺寸规划方法 | |
| CN113962455A (zh) | 一种基于模型预测控制的虚拟电厂储能优化调度策略 | |
| CN106503833A (zh) | 基于支持向量机算法的光伏发电短期功率滚动预测方法 | |
| CN111612244A (zh) | 基于qra-lstm的日前光伏功率非参数概率预测方法 | |
| KR20210047627A (ko) | 태양광 발전량 예측 장치 및 방법 | |
| Ciabattoni et al. | Online tuned neural networks for PV plant production forecasting | |
| Karabiber et al. | Short term PV power estimation by means of extreme learning machine and support vector machine | |
| Alharbi et al. | Short-term solar irradiance forecasting model based on bidirectional long short-term memory deep learning | |
| Boubaker et al. | Prediction of Daily Global Solar Radiation using Resilient-propagation Artificial Neural Network and Historical Data: A Case Study of Hail, Saudi Arabia. | |
| Konjic et al. | Artificial neural network approach to photovoltaic system power output forecasting | |
| CN112734073A (zh) | 一种基于长短期记忆网络的光伏发电功率短期预测方法 | |
| Liu | Electricity capacity investments and cost recovery with renewables | |
| Al-Isawi et al. | Digital Twinning and LSTM-based Forecasting Model of Solar PV Power Output | |
| Hanafi et al. | One-Hour-Ahead Solar Power Forecasting Using Artificial Neural Networks in Taiwan |
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 |