CN112600248A - 一种光柴储复合供电控制方法 - Google Patents

一种光柴储复合供电控制方法 Download PDF

Info

Publication number
CN112600248A
CN112600248A CN202011602686.3A CN202011602686A CN112600248A CN 112600248 A CN112600248 A CN 112600248A CN 202011602686 A CN202011602686 A CN 202011602686A CN 112600248 A CN112600248 A CN 112600248A
Authority
CN
China
Prior art keywords
energy
photovoltaic
matrix
module
light
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
Application number
CN202011602686.3A
Other languages
English (en)
Other versions
CN112600248B (zh
Inventor
平原
芦川
张守和
刘飞
周金木
赵国军
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.)
Cggc Un Power Co ltd
Original Assignee
Cggc Un 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 Cggc Un Power Co ltd filed Critical Cggc Un Power Co ltd
Priority to CN202011602686.3A priority Critical patent/CN112600248B/zh
Publication of CN112600248A publication Critical patent/CN112600248A/zh
Application granted granted Critical
Publication of CN112600248B publication Critical patent/CN112600248B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • 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
    • H02J15/00—Systems for storing electric energy
    • H02J15/007—Systems for storing electric energy involving storage in the form of mechanical energy, e.g. fly-wheels
    • 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
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/10—The dispersed energy generation being of fossil origin, e.g. diesel generators
    • 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
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/22—The renewable source being solar energy
    • 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
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E70/00—Other energy conversion or management systems reducing GHG emissions
    • Y02E70/30—Systems combining energy storage with energy generation of non-fossil origin

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Control Of Electrical Variables (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明涉及一种发电技术领域，具体地说是一种光柴储复合供电控制方法，首先利用光伏预测传感器对光伏系统输出信号进行数据采集和信号处理，然后对采样数据采用多元判别算法分析多元动态矩阵的出能属性和多重特征反馈信号，最后根据自适应能量控制器计算出的缺能调节量实时智能调节，实现光柴储复合供电的精准控制；本发明的优点在于：根据不同形式能源结构的特点进行重组优化，同时光伏发电，具有资源丰富、环境友好等优点，太阳能都具有波动性，单纯光能互补难以保证电能质量，增加储能单元，以柴油发电机组作为稳定的能源供给，既能够平衡光伏发电功率的波动，又可以在光资源充足时储存电能，延长供电时间，提高系统电能质量。

Description

一种光柴储复合供电控制方法
技术领域
本发明涉及一种发电技术领域，具体地说是一种光柴储复合供电控制方法。
背景技术
近年来，随着全球能源危机加剧与日益严峻的大气污染，国家制定系列环境保护政策，其中清洁能源相关研究、开发、运用效益显著，其加速进入人们的视野，配套的光能、风能、气能、储能等多能互补技术得到进一步发展，形成清洁能源运用新局面，但清洁能源大多具有显著间歇性与随机波动性，若将其直接接入微网中，其波动性造成微网不确定性，难以保证电能质量，连续稳定的火电配套技术与清洁能源、储能技术结合运用于微网系统中，形成优势互补、可有效保证系统稳定性，同时降低环境污染，作为全面推广清洁能源的“过渡”技术具备可行性。
发明内容
为了解决上述问题，本发明设计了一种光柴储复合供电控制方法，根据不同形式能源结构的特点进行重组优化，同时光伏发电，具有资源丰富、环境友好等优点，太阳能都具有波动性，单纯光能互补难以保证电能质量，增加储能单元，以柴油发电机组作为稳定的能源供给，既能够平衡光伏发电功率的波动，又可以在光资源充足时储存电能，延长供电时间，提高系统电能质量。
本发明的技术方案为：
一种光柴储复合供电控制方法，包括以下内容：
（1）利用光伏预测传感器进行出能特征采样；
（2）利用光伏信号采集模块和预测控制器对光伏系统输出信号进行数据采集和信号处理；
（3）对采样数据采用多元判别算法分析多元动态矩阵的出能属性；同时，根据预测控制器的输出特性和多元判别算法分析的多重特征反馈信号，储能计算模块和柴发出能执行模块计算出缺能调节量，并由自适应能量控制器实时智能调节。
进一步的，所述光伏预测传感器由光伏信号采集模块、光伏信号采集处理模块、预测控制器组成；其中，所述光伏信号采集模块对微网负荷进行特征数据采样，所述光伏信号采集处理模块调整光伏信号采集模块的信号采集范围，通过所述预测控制器的信号处理模块对输出信号进行特征变量提取，形成一定样本容量的动态矩阵，采用多元判别算法分析各动态矩阵的光伏出能属性。
进一步的，所述光伏信号采集处理模块，用于调整光伏信号采集模块的信号采集范围，以保证整个光柴储复合供电系统的稳定性；所述自适应能量控制器由储能计算模块、柴发出能执行模块、缺能计算模块组成，微网负荷发生变化时，根据预测控制器的输出特性和多元判别算法分析的多重特征反馈信号，储能计算模块将计算结果输入给柴发出能执行模块，由柴发出能执行模块计算出缺能调节量，并由自适应能量控制器实时智能调节。
进一步的，所述光伏预测传感器及多元统计判别算法的内容为：光伏信号采集模块对光柴储模组进行特征数据采样，获取光伏历史数据、预测日气象数据及历史气象数据；预测控制器将前p个出能特征量依次按次序组成一个p维矩阵，依次类推，形成多元动态矩阵，采集多组样本矩阵，分别相似日p维矩阵总体和预测日p维动态矩阵总体，利用多元判别算法计算每组举证总体的均值向量、协方差、样本矩阵总体的期望值、以及动态矩阵与相似日矩阵总体和预测日矩阵总体的马氏距离及判别函数，由判别函数属性来判断每组矩阵总体的出能属性，采集处理多组均值向量与期望值的对应关系，拟合出对应函数关系，当微网负荷发生变化时，根据预测控制器的输出特性和多元判别算法分析的多重特征反馈信号，储能计算模块和柴发出能执行模块计算出缺能调节量，并由自适应能量控制器实时智能调节。
用于分析多元
Figure 100002_DEST_PATH_IMAGE001
维动态矩阵
Figure 100002_DEST_PATH_IMAGE002
的出能属性的判别算法，具体内容如下：首先根据光伏预测传感器的特征量形成的动态矩阵形式，采集两组样本矩阵，分别为有相似日的样本矩阵和预测日的样本矩阵总体，然后计算每组矩阵总体的均值向量、协差阵、两组样本的期望值以及多元
Figure 634289DEST_PATH_IMAGE001
维动态矩阵
Figure 20271DEST_PATH_IMAGE002
与两组样本矩阵
Figure 100002_DEST_PATH_IMAGE003
、
Figure 100002_DEST_PATH_IMAGE004
的马氏距离，最后将上述计算的两个马氏距离平方的差结合线性判别函数判断出任意时刻出能属性，同时，通过改变
Figure 862325DEST_PATH_IMAGE001
和
Figure 100002_DEST_PATH_IMAGE005
的值可调节光伏输入输出的时效性精确度；所述的出能属性是多元
Figure 336163DEST_PATH_IMAGE001
维动态矩阵的输入输出属性；所述的
Figure 744010DEST_PATH_IMAGE001
是动态矩阵
Figure 35314DEST_PATH_IMAGE002
的维度；所述的
Figure 36768DEST_PATH_IMAGE005
是动态矩阵
Figure 78412DEST_PATH_IMAGE002
的行数。
本发明旨在解决多能互补技术应用于微网负荷过程中的不确定性。针对目前微网功率预测单一性，在现有光伏预测技术基础上，通过光伏出能判别算法的优选和自适应能量控制器的有机结合，提出一种光柴储复合供电控制方法。
通过光伏出能判别算法的优选和自适应能量控制器实现多能互补技术在复杂微网供能控制的精准和稳定，为微网供电技术进一步自动化、智能化提供了一种新的技术途径。
本发明的优点在于：
（1）根据不同一次能源的互补特性，在二次能源的生产过程中通过合理的协调配合，能够起到很好的经济价值和环保价值；
（2）采用先进的负荷预测系统，可以调整能源系统的供应，从而能够更为经济合理的为用户提供能源供给；
（3）本发明是对油光混合发电系统优越性的实际验证，在此基础上根据不同项目需求，灵活配置出不同容量的油光混合发电系统。
下面结合附图和实施例对本发明作进一步说明。
附图说明
图1是一种光柴储复合供电控制方法的整体框架图。
图2是一种光柴储复合供电控制方法的系统框图。
图3是多元判别算法原理图。
图4实施例方案简图。
图5实施例方案安装简图。
具体实施方式
为了使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。在下面的描述中阐述了很懂具体细节以便于充分理解本发明。但是本发明能够不同于此描述的其他方式来实施，本领域技术人员可以在不违背本发明内涵的情况下 做类似改进，因此本发明不受下面公开的具体实施例的限制，
本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”等指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
此外术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含指明所指示的技术特征的数量。本发明的描述中，”多个”的含义式至少两个，例如两个、三个等，除非另有明确具体的限定。
本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体了可以是机械连接，也可以是电连接；可以是直接连接，也可以是通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
在本发明中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且第一特征在第二特征“之上”、“上方”、和“上面”可以是第一特征在第二特征正上方或斜上方，或仅仅表示第一特征高度高于第二特征。第一特征在第二特征“之下”、”下方“和”下面“可以是第一特征在第二特征正下方或斜下方，或仅仅表述第一特征水平高度小于第二特征。
以下对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
实施例1，一种光柴储复合供电控制方法，其中，用于所述方法的设备包括柴油发电系统和光伏发电系统，所述柴油发电系统由柴发控制器、柴油发电机组组成；光伏发电系统包含光伏组件及阵列、光伏支架、光伏控制器、蓄电池组、双向储能变流器、逆变器，所述光伏支架与光伏组件连接，所述光伏控制器与光伏组件及阵列连接，所述光伏组件及阵列与逆变器连接，所述蓄电池组与光伏控制器连接，所述蓄电池组与双向储能变流器连接；所述柴油发电机组与柴发控制器连接，所述逆变器、双向储能变流器、柴发控制器均与微网连接。
基于光柴储复合控制方法在系统稳定状况下，每组柴油发电机组的出力为Pc，系统中有n1组柴发机组，则柴油发电机组能够提供的总出力为P=n1*Pc，微网总负荷为Pd，基于一般状态下每组光伏组件能够提供的出力为Pe，储能单组蓄电池，单组飞轮储能能量分别为Pa，Pb，则上述Pa、Pb、Pc、Pe出能基本函数关系为：n1Pa+n2Pb+n3Pc+n4Pe+Pd=0,当得知n1、n2、n3、为一定时候，Pe与Pd在一定范围呈现线性关系，初步函数关系为：
Figure DEST_PATH_IMAGE006
，其中，
Figure DEST_PATH_IMAGE007
，β，θ均为常数。上述部件之间协同配合完成光柴储复合供电控制任务。如图1及图4图5。
实施例2，所述光伏预测传感器及多元统计判别算法，具体实施方式为：光伏信号采集模块对光柴储模组进行特征数据采样，获取光伏历史数据、预测日气象数据及历史气象数据；自适应能量控制器调整光伏信号采集模块的信号采集范围，获取相似日数据集、光伏历史数据，通过光伏预测传感器的信号处理模块对输出信号（相似日数据集：相同季节日数据集中的温度、空气质量指数）进行特征信号提取，形成一定样本的动态矩阵，采用多元统计判别算法分析各动态矩阵的因素属性，确认光伏预测传感器的输入输出变量，经光伏预测传感器信号采集处理模块提取其出能特征值（温度、降雨量，同时将风速、风速范围、光照时长、强度、季节天气类型、雷电概率因素）前
Figure DEST_PATH_IMAGE008
个峰值量依次按序组成一个
Figure 278449DEST_PATH_IMAGE008
维特征值矩阵，记作总体
Figure DEST_PATH_IMAGE009
，之后每新增
Figure DEST_PATH_IMAGE010
个特征量替代最前的
Figure 943916DEST_PATH_IMAGE010
个特征量，形成一个新的
Figure 432667DEST_PATH_IMAGE008
维位置矩阵，记作总体
Figure DEST_PATH_IMAGE011
。以此类推，形成多元同维动态矩阵
Figure DEST_PATH_IMAGE012
。
根据所用光伏预测传感器的输出特性可知，光伏预测传感器的特征量形成的
Figure 218613DEST_PATH_IMAGE008
维空间矩阵服从
Figure 335474DEST_PATH_IMAGE008
元正态分布。假设实时采集的特征量依次记为
Figure DEST_PATH_IMAGE013
，其中
Figure DEST_PATH_IMAGE014
，则有
Figure DEST_PATH_IMAGE015
由上式可知总体
Figure DEST_PATH_IMAGE016
为一
Figure DEST_PATH_IMAGE017
动态数据矩阵。
采集两组样本矩阵，分别为有相似日的
Figure DEST_PATH_IMAGE018
维样本矩阵总体
Figure DEST_PATH_IMAGE019
和预测日的
Figure 686690DEST_PATH_IMAGE018
维样本矩阵总体
Figure DEST_PATH_IMAGE020
，计算每组矩阵总体
Figure DEST_PATH_IMAGE021
的均值向量
Figure DEST_PATH_IMAGE022
、协差阵
Figure DEST_PATH_IMAGE023
、总体
Figure 803681DEST_PATH_IMAGE019
和总体
Figure 813226DEST_PATH_IMAGE020
的期望值
Figure DEST_PATH_IMAGE024
、
Figure DEST_PATH_IMAGE025
以及
Figure DEST_PATH_IMAGE026
与
Figure 99107DEST_PATH_IMAGE019
和
Figure 168694DEST_PATH_IMAGE020
的马氏距离
Figure DEST_PATH_IMAGE027
及判别函数
Figure DEST_PATH_IMAGE028
，具体如下：
矩阵总体
Figure DEST_PATH_IMAGE029
的均值向量
Figure DEST_PATH_IMAGE030
：
Figure DEST_PATH_IMAGE031
为了求出线性判别函数
Figure DEST_PATH_IMAGE032
，考虑多元
Figure 100878DEST_PATH_IMAGE018
维动态矩阵
Figure 914113DEST_PATH_IMAGE026
到样本矩阵总体
Figure 254834DEST_PATH_IMAGE019
的距离平方与到样本矩阵总体
Figure 760901DEST_PATH_IMAGE020
的距离平方之差：
Figure DEST_PATH_IMAGE033
已知
Figure 773857DEST_PATH_IMAGE024
，
Figure 390783DEST_PATH_IMAGE025
，
Figure 87475DEST_PATH_IMAGE023
，令
Figure DEST_PATH_IMAGE034
Figure DEST_PATH_IMAGE035
则
Figure DEST_PATH_IMAGE036
由判别函数的正负性可判断出每组矩阵总体的输出属性，当
Figure DEST_PATH_IMAGE037
时，
Figure DEST_PATH_IMAGE038
，此时应判断
Figure DEST_PATH_IMAGE039
，于是判别规则可表示为
Figure DEST_PATH_IMAGE040
由此可判断出任意时刻多元
Figure 469171DEST_PATH_IMAGE018
维动态矩阵的输入输出属性，同时，通过改变
Figure 375947DEST_PATH_IMAGE018
和
Figure DEST_PATH_IMAGE041
的值可调节光伏输入输出的时效性精确度。如图2和图3。
实施例3，所述自适应能量控制器，用于调整光伏信号采集模块的信号采集范围，以保证整个光柴储复合供电系统的稳定性。其特征在于：自适应能量控制器由储能计算模块和柴发出能执行模块、缺能计算模块组成。根据预测控制器的输出特性，可得到采集的出能量与光伏预测效率存在函数关系：
Figure DEST_PATH_IMAGE042
，基于多元动态矩阵的输出属性，采用ACO对选用径向基核函数的SVM模型惩戒参数C和核参数μ进行优化，构建光伏预测ACO-SVM组合预测模型，进一步得到整个光柴储复合供电系统的稳定状态下，自适应能量控制器与光伏预测传感器的对应关系，具体如下:
采用RBF型SVM模型:
Figure DEST_PATH_IMAGE043
；对惩罚因子C，核参数
Figure DEST_PATH_IMAGE044
进行初始化，并优化。
计算适应度函数值：均值向量
Figure 671930DEST_PATH_IMAGE026
期望值
Figure DEST_PATH_IMAGE045
，
Figure DEST_PATH_IMAGE046
，带入得到：
Figure DEST_PATH_IMAGE047
上式中自适应能量控制器中储能计算模块和柴发出能执行模块、缺能计算模块调节量可得光伏预测传感器负荷功率，反之亦然。根据预测控制器的输出特性和多元判别算法分析的多重特征反馈信号，储能计算模块和柴发出能执行模块计算出缺能调节量，并由自适应能量控制器实时智能调节。
以上所述仅为本发明的优选实施方式，应当指出，在不脱离本发明原理的前提下所作出的若干改进，都视为本发明的保护范围。

Claims (5)

1.一种光柴储复合供电控制方法，其特征在于，包括以下内容：
（1）利用光伏预测传感器进行出能特征采样；
（2）利用光伏信号采集模块和预测控制器对光伏系统输出信号进行数据采集和信号处理；
（3）对采样数据采用多元判别算法分析多元动态矩阵的出能属性；同时，根据预测控制器的输出特性和多元判别算法分析的多重特征反馈信号，储能计算模块和柴发出能执行模块计算出缺能调节量，并由自适应能量控制器实时智能调节。
2.根据权利要求1所述的一种光柴储复合供电控制方法，其特征在于：所述光伏预测传感器由光伏信号采集模块、光伏信号采集处理模块、预测控制器组成；其中，所述光伏信号采集模块对微网负荷进行特征数据采样，所述光伏信号采集处理模块调整光伏信号采集模块的信号采集范围，通过所述预测控制器的信号处理模块对输出信号进行特征变量提取，形成一定样本容量的动态矩阵，采用多元判别算法分析各动态矩阵的光伏出能属性。
3.根据权利要求2所述的一种光柴储复合供电控制方法，其特征在于：所述光伏信号采集处理模块，用于调整光伏信号采集模块的信号采集范围，以保证整个光柴储复合供电系统的稳定性；所述自适应能量控制器由储能计算模块、柴发出能执行模块、缺能计算模块组成，微网负荷发生变化时，根据预测控制器的输出特性和多元判别算法分析的多重特征反馈信号，储能计算模块将计算结果输入给柴发出能执行模块，由柴发出能执行模块计算出缺能调节量，并由自适应能量控制器实时智能调节。
4.根据权利要求3所述的一种光柴储复合供电控制方法，其特征在于：所述光伏预测传感器及多元统计判别算法的内容为：光伏信号采集模块对光柴储模组进行特征数据采样，获取光伏历史数据、预测日气象数据及历史气象数据；预测控制器将前p个出能特征量依次按次序组成一个p维矩阵，依次类推，形成多元动态矩阵，采集多组样本矩阵，分别相似日p维矩阵总体和预测日p维动态矩阵总体，利用多元判别算法计算每组举证总体的均值向量、协方差、样本矩阵总体的期望值、以及动态矩阵与相似日矩阵总体和预测日矩阵总体的马氏距离及判别函数，由判别函数属性来判断每组矩阵总体的出能属性，采集处理多组均值向量与期望值的对应关系，拟合出对应函数关系，当微网负荷发生变化时，根据预测控制器的输出特性和多元判别算法分析的多重特征反馈信号，储能计算模块和柴发出能执行模块计算出缺能调节量，并由自适应能量控制器实时智能调节。
5.根据权利要求4所述的一种光柴储复合供电控制方法，其特征在于，用于分析多元p维动态矩阵
Figure DEST_PATH_IMAGE001
的出能属性的判别算法，具体内容如下：首先根据光伏预测传感器的特征量形成的动态矩阵形式，采集两组样本矩阵，分别为有相似日的样本矩阵和预测日的样本矩阵总体，然后计算每组矩阵总体的均值向量、协差阵、两组样本的期望值以及多元p维动态矩阵
Figure 914367DEST_PATH_IMAGE001
与两组样本矩阵
Figure DEST_PATH_IMAGE002
、
Figure DEST_PATH_IMAGE003
的马氏距离，最后将上述计算的两个马氏距离平方的差结合线性判别函数判断出任意时刻出能属性，同时，通过改变
Figure DEST_PATH_IMAGE004
和
Figure DEST_PATH_IMAGE005
的值可调节光伏输入输出的时效性精确度；所述的出能属性是多元p维动态矩阵的输入输出属性；所述的p是动态矩阵
Figure 404647DEST_PATH_IMAGE001
的维度；所述的
Figure 470823DEST_PATH_IMAGE005
是动态矩阵
Figure 226290DEST_PATH_IMAGE001
的行数块。
CN202011602686.3A 2020-12-30 2020-12-30 一种光柴储复合供电控制方法 Active CN112600248B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011602686.3A CN112600248B (zh) 2020-12-30 2020-12-30 一种光柴储复合供电控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011602686.3A CN112600248B (zh) 2020-12-30 2020-12-30 一种光柴储复合供电控制方法

Publications (2)

Publication Number Publication Date
CN112600248A true CN112600248A (zh) 2021-04-02
CN112600248B CN112600248B (zh) 2022-07-29

Family

ID=75203892

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011602686.3A Active CN112600248B (zh) 2020-12-30 2020-12-30 一种光柴储复合供电控制方法

Country Status (1)

Country Link
CN (1) CN112600248B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116031955A (zh) * 2023-03-31 2023-04-28 赫里欧新能源有限公司 一种微电网型风光柴热储智能互补电力供应方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190140453A1 (en) * 2017-11-07 2019-05-09 Zhehan Yi Model Predictive Controller for Autonomous Hybrid Microgrids
CN110165707A (zh) * 2019-02-26 2019-08-23 国网吉林省电力有限公司 基于卡尔曼滤波和模型预测控制的光储系统优化控制方法
CN111262270A (zh) * 2020-04-16 2020-06-09 葛洲坝能源重工有限公司 一种光柴储混合发电系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190140453A1 (en) * 2017-11-07 2019-05-09 Zhehan Yi Model Predictive Controller for Autonomous Hybrid Microgrids
CN110165707A (zh) * 2019-02-26 2019-08-23 国网吉林省电力有限公司 基于卡尔曼滤波和模型预测控制的光储系统优化控制方法
CN111262270A (zh) * 2020-04-16 2020-06-09 葛洲坝能源重工有限公司 一种光柴储混合发电系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116031955A (zh) * 2023-03-31 2023-04-28 赫里欧新能源有限公司 一种微电网型风光柴热储智能互补电力供应方法及系统

Also Published As

Publication number Publication date
CN112600248B (zh) 2022-07-29

Similar Documents

Publication Publication Date Title
Hu et al. A new clustering approach for scenario reduction in multi-stochastic variable programming
Zhang et al. Wind power prediction based on LS-SVM model with error correction
CN108199404B (zh) 高渗透率分布式能源系统的谱聚类集群划分方法
CN106447098B (zh) 一种光伏超短期功率预测方法及装置
CN108183488B (zh) 基于集群划分的高渗透率分布式能源系统智能调压方法
CN112785027B (zh) 风光储联合发电系统置信容量评估方法及系统
CN106251001A (zh) 一种基于改进模糊聚类算法的光伏功率预测方法
CN102855412A (zh) 一种风电功率预测方法及其装置
CN104348188A (zh) 一种分布式电源运行及监控方法
CN105787594B (zh) 基于多元时间序列及回归分析的辐照预测方法
CN113452033B (zh) 分区自治的含高比例光伏配电网电压控制方法及存储介质
Vanderstar et al. Solar forecasting using remote solar monitoring stations and artificial neural networks
CN110070227B (zh) 一种适于并网光伏发电的迁移神经网络功率预测方法
CN113256033B (zh) 基于模态互补的发电站选址定容方法、装置、系统及介质
CN112070311A (zh) 基于相似日聚类和气象因子赋权的日前光功率预测方法
CN104638654B (zh) 兼顾风电场和网络节点电压调节的statcom控制方法
CN112600248B (zh) 一种光柴储复合供电控制方法
Mansour et al. An efficient intelligent power detection method for photovoltaic system
CN108694475B (zh) 基于混合模型的短时间尺度光伏电池发电量预测方法
Quaiyum et al. Application of artificial neural network in forecasting solar irradiance and sizing of photovoltaic cell for standalone systems in Bangladesh
Liu et al. Research of photovoltaic power forecasting based on big data and mRMR feature reduction
CN111262270A (zh) 一种光柴储混合发电系统
CN109586309B (zh) 基于大数据自由熵理论和场景匹配的配电网无功优化方法
CN110163437A (zh) 基于DPK-means的日前光伏发电功率预测方法
Khan et al. Optimization of solar collector system based on different nanofluids

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