CN112994092A - 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 - Google Patents

Abstract

本发明属于分布式发电、混合微电网系统规划领域，具体涉及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。该方法基于风光微电网系统的历史基础数据，建并以立LSTM预测模型，并通过预测误差修正的功率预测方法得到系统规划的参考数据，不间断供电和荷电状态为约束，确保了系统供电的可靠性，以动态投资回报期和弃风弃光率为目标函数，实现微电网中经济性和可再生能源利用率的权衡，本发明公开的系统规划方法考虑到了不同形式能源的合理配置，可再生能源的波动性与预测误差的随机性，能够满足微电网内用户的用电需求，实现不间断供电，合理的确定了微电网各个组件的容量配置。

Description

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

技术领域

本发明属于分布式发电、混合微电网系统规划领域，具体涉及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。

背景技术

对于电网和交通设施落后的独立岛屿，微电网可以结合利用本地可再生能源来有效解决岛屿上的供电问题。而且这些岛屿上往往有着丰富的再生能源(如光伏和风能)，建立独立的风光储微电网可以为当地用户提供无污染、廉价和方便的电力服务。然而可再生能源供电和负荷需求的不确定性很高，导致提供可靠的电力供应成为了一个困难而复杂的问题。总的来说，建设一个可靠的微电网的关键在于捕获源荷端的不确定性，并协同优化微电网中不同类型的电源容量。

准确的预测源荷两端的功率可以减少由于不确定性造成的影响，提高规划的可靠性。随着预测技术的发展，越来越多的预测方法应用于微电网的规划当中。但是其中都是以为地理参数或者天气预报参数(风速和光照、辐射等)为基础，再利用物理模型求得输出功率进行规划。对于这一类功率获取方法，其地理参数如风速、光照等本就容易有测量误差，另外物理模型的建立也不一定完全精确。此外，预测误差是规划中的一个严重问题，由此造成的过大配置会导致更高的成本，而过小的系统则会造成供电短缺的问题。在微电网规划中，系统的数学描述即建模也至关重要。可以从经济、技术和环保性等不同目的出发，选择合理的目标函数、决策变量和约束条件来对于微电网的尺寸规划优化问题进行描述，目前针对于微电网的目标函数大多考虑其盈利能力或者供电能力，这一类在经济性上并不能反映出资本的回收时间，对于那些关心投资回收速度，希望减小投资风险的投资者而言并不够友好，另外当以供电能力作为目标函数时，由于该类问题大多为多目标函数，考虑权衡的同时很难做到完美保证系统的供电，无法在孤岛微电网实现不间断供电。

发明内容

基于此，本发明针对针对所述的独立风光储微电网，确保其经济性、可靠性和环保性，以动态投资回报期和弃风弃光率为目标函数，实现微电网中经济性和可再生能源利用率的权衡，同时以不间断供电和荷电状态(State of Charge，简称SOC)为约束，确保了系统供电的可靠性，同时提出了一种基于LSTM预测模型与预测误差修正的功率预测方法来得到系统规划的参考数据，通过不同形式能源的合理配置，可再生能源的波动性与预测误差的随机性，能够满足微电网内用户的用电需求，实现不间断供电，合理的确定了微电网各个组件的容量配置。

本发明提供了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，具体包括：

获取微电网系统基础数据，并进行分组获得训练集、测试集和规划功率预测集，所述基础数据包括单台风机的历史小时发电功率数据、单块光伏板的历史小时发电功率、地区用户的历史小时用电数据；

建立LSTM神经网络模型，并以所述训练集为输入进行训练获得预测模型；将测试集和规划功率预测集输入所述预测模型获得测试集预测数据和规划功率预测集预测数据；

根据所述测试集预测数据和真实数据，获得预测误差，并对预测误差按照预设的修正方法进行修正，获得预测误差修正样本；

根据所述预测误差修正样本对所述规划功率预测集预测数据进行修正获得规划功率修正预测数据；

建立微电网系统优化模型，以系统设备参数为优化参数，根据所述规划功率修正预测数据采用优化算法对微电网系统配置容量进行计算获得独立风光储微电网系统尺寸规划。

进一步的，所述根据所述测试集预测数据和真实数据，获得预测误差，并对预测误差按照预设的修正方法进行修正，获得预测误差修正样本步骤具体包括：

根据所述测试集预测数据

和真实数据P_type,k，获得预测误差

所述type为风光荷三种情况，k为时间序列中的位置；

将所述预测误差进行归一化处理：

ε_type,k为归一化后的误差数据，

为预测误差中的最大值；

将归一化处理后的预测误差样本采用Bootstrap法扩充样本容量，将样本从小到大排列，随机有放回的抽取M次，形成N个样本集合，再取平均值，得到归一化后误差数据的Bootstrap样本；

采用核密度估计法求取Bootstrap样本的概率分布图，公式为

其中h是带宽，K(·)为选取的核函数；

将获得的概率分布曲线采用蒙特卡洛随机抽样，获得随机误差样本即为预测误差修正样本。

进一步的，所述微电网系统优化模型包括目标函数和约束条件，所述约束条件包括储能装置约束和不间断供电约束。

进一步的，所述目标函数为：

min(F)＝min(λ₁T_DIPP+λ₂EE)

式中，λ₁和λ₂是多目标函数中的权重系数，T_DIPP代表动态投资回收期，EE是弃风弃光率；

式中，I₀是初始投资成本，CRF()是资本回收系数，C_e(k)代表第k年的年回报；

式中，C_p(k),C_B(k),C_R(k),C_M(k)分别是第k年的利润、残值、重置成本和运维成本；u是电价；P_load(k)是第k年的用电量；i_r代表利率，t是资本回收期；N_w,N_pv和N_b分别指风机，光伏板和储能装置的数量；C_w,C_pv和C_b分别是风机，光伏板和储能装置的购买成本；

弃风弃光率的表达式如下：

式中，N为一年的小时数。

进一步的，所述约束条件具体为：

蓄电池的SOC需满足：SOC_min≤SOC(k)≤SOC_max,k＝1,2…N，式中，SOC_min和SOC_max分别

式中，

为储能装置的充放电功率上限；

蓄电池的充放电功率需满足：

ΔP(k)为k时刻的净负荷，

和

分别是修正后的风光荷数据；基于充放电的特性，对净负荷进行分组处理，得到改写后的不间断供电约束条件：

进一步的，所述系统设备参数包括：光伏板参数、风机参数和蓄电池参数。

进一步的，所述优化算法为PSO算法，具体包括：

输入待优化参数，并根据PSO算法参数初始化种群，获得随机的风光组件数量，并根据约束条件获得满足约束条件的风光组件数；

根据所述风光组件数计算储能容量，获得最优储能，并计算目标函数，判断是否最优；

当达到预设的终止条件时获取相应的优化参数，即为最优配置。

进一步的，所述PSO算法参数包括种群规模、维度、最大迭代次数和学习率。

有益效果：

本发明基于风光微电网系统的历史基础数据，建并以立LSTM预测模型，并通过预测误差修正的功率预测方法得到系统规划的参考数据，不间断供电和荷电状态(State ofCharge，简称SOC)为约束，确保了系统供电的可靠性，以动态投资回报期和弃风弃光率为目标函数，实现微电网中经济性和可再生能源利用率的权衡，本发明公开的系统规划方法考虑到了不同形式能源的合理配置，可再生能源的波动性与预测误差的随机性，能够满足微电网内用户的用电需求，实现不间断供电，合理的确定了微电网各个组件的容量配置。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的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的流程图；

图2为本发明实施例提供的独立风光储微电网结构图；

图3为本发明实施例提供的LSTM神经网络结构图；

图4为本发明实施例提供的功率预测框架图；

图5为本发明实施例提供的不间断约束中充放电转变分组的说明图；

图6为本发明实施例提供的PSO算法求解流程图；

图7为本发明实施例提供的风光荷数据的历史数据、LSTM预测数据以及误差修正后的预测数据图；

图8为本发明实施例提供的可再生能源处理曲线以及负荷曲线；

图9为本发明实施例提供的SOC曲线。

具体实施方式

为了使本发明的目的、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用以解释本发明，并不用于限定本发明。

如图1所示，在本发明实施例中，提出了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的流程图，具体包括以下步骤：

步骤S10，获取微电网系统基础数据，并进行分组获得训练集、测试集和规划功率预测集。

在本发明实施例中，如图2所述，所述微电网系统系统包括多组风力涡轮机、光伏板和蓄能电池，以及相应地区对应的用户，地区用户所需的电能均由相应的供电系统提供，在该微电网系统的设置中，以系统中的相应发电储电和用户用量为基础，获取相应的基础数据，所述基础数据包括单台风机的历史小时发电功率数据、单块光伏板的历史小时发电功率、地区用户的历史小时用电数据，并将所述基础数据分为训练集、测试集和规划功率预测集，其中训练集用于训练网络模型，测试集用于获取训练网络模型预测值与真实值之间的误差，规划功率预测集用于作为规划的参考数据。

步骤S102，建立LSTM神经网络模型，并以所述训练集为输入进行训练获得预测模型；将测试集和规划功率预测集输入所述预测模型获得测试集预测数据和规划功率预测集预测数据。

在本发明实施例中，如图3所述的LSTM神经网络结构图，每个LSTM单元由一个单元，一个输入门，一个输出门和一个遗忘门组成，输入训练集，对神经网络模型进行训练。之后输入测试集，进行预测，并统计风光荷的预测数据。

步骤S103，根据所述测试集预测数据和真实数据，获得预测误差，并对预测误差按照预设的修正方法进行修正，获得预测误差修正样本。

在本发明实施例中，以风机为例，将获得的测试集预测数据与真实的历史数据详见，获得预测误差，公式如式(1)所示：

式中，

为预测误差，P_type,k为真实的历史数据，

为LSTM预测数据。其中type为风光荷三种情况，k为时间序列中的位置。

将获得的预测误差数据进行归一化处理：

ε_type,k为归一化后的误差数据，

为预测误差中的最大值。

利用Bootstrap法扩充样本容量，将样本从小到大排列，随机有放回的抽取M次，形成N个样本集合，再取平均值，得到归一化后误差数据的Bootstrap样本。

利用核密度估计法求取数据集的概率分布图，其公式为：

其中，h是带宽，为选取的核函数，选择高斯函数为核函数，表达式为：

对于获取到的概率分布曲线采用蒙特卡洛随机抽样，获得随机误差样本。

步骤S104，根据所述预测误差修正样本对所述规划功率预测集预测数据进行修正获得规划功率修正预测数据。

在本发明实施例中，图7提供了风光荷数据的历史数据、LSTM预测数据以及误差修正后的预测数据图，通过图7可以看出，在误差修正之后的数据在细节方面要更接近真实数据，而更为准确的预测数据可以使得规划的容量在之后的运行中更为可靠，也可以减少系统容量的冗余。

步骤S105，建立微电网系统优化模型，以系统设备参数为优化参数，根据所述规划功率修正预测数据采用优化算法对微电网系统配置容量进行计算获得独立风光储微电网系统尺寸规划。

在本发明实施例中，所述优化模型包括目标函数和约束条件，约束条件包括系统约束，储能装置约束，不间断供电约束。所述目标函数选择微电网最短动态投资回收期和最小弃风弃光率，其表达式如式(4)所示。

min(F)＝min(λ₁T_DIPP+λ₂EE) (4)

式中，λ₁和λ₂是多目标函数中的权重系数，T_DIPP代表动态投资回收期，EE是弃风弃光率；

式中，I₀是初始投资成本，CRF()是资本回收系数，C_e(k)代表第k年的年回报；

式中，C_p(k),C_B(k),C_R(k),C_M(k)分别是第k年的利润、残值、重置成本和运维成本；u是电价；P_load(k)是第k年的用电量；i_r代表利率，t是资本回收期；N_w,N_pv和N_b分别指风机，光伏板和储能装置的数量；C_w,C_pv和C_b分别是风机，光伏板和储能装置的购买成本。

弃风弃光率的表达式如下：

式中，N一般视为一年8760个小时；

所述约束包括蓄电池约束，不间断供电约束，所述蓄电池的SOC需满足：

SOC_min≤SOC(k)≤SOC_max,k＝1,2…N (8)

式中，SOC_min和SOC_max分别是储能装置荷电状态的上下限；

蓄电池的充放电功率需满足：

式中，

为储能装置的充放电功率上限。

所述间断供电约束满足式(10).

输入相关参数：修正后的风机出力数据(小时)、修正后的光伏板数据(小时)、电价参数、修正后的负荷参数(小时)、光伏板参数(电气参数以及成本参数)、风机参数(电气参数以及成本参数)、蓄电池参数(电气参数以及成本参数)，采用PSO算法，设置算法参数，所述算法参数包括种群规模为m，维数为n，最大迭代次数Itermmax，学习率，对上述系统尺寸规划配置进行优化，如图5所示，本发明实施例提供了PSO算法的流程图，具体包括：

输入相关参数：风机出力数据(小时)、光伏板数据(小时)、电价参数、负荷参数(小时)、光伏板参数(电气参数以及成本参数)、风机参数(电气参数以及成本参数)、蓄电池参数(电气参数以及成本参数)；初始化种群，得到随机的风光组件数量，进行判断是否满足系统约束；对满足系统约束的风光组件数量下的储能容量进行求解，得出相应的最优储能；计算目标函数，判断是否最优；达到终止条件时结束，获得最优配置。

在本发明实施例中，得到的组件数目如表1所示，可再生能源处理曲线以及负荷曲线和SOC曲线如图8和9所示。

表1

本发明提出的方法，可以对独立风光储微电网规划优化问题进行求解，根据独立微电网系统的可靠性、风光互补性等去解决规划当中的容量配置问题。将基于LSTM的功率预测方法引入了微电网的规划当中，LSTM可以有效地捕获可再生能源发电和负载需求的不确定性和时序特征。此外相比于基于地理参数或者天气参数的功率数据获取方法，基于历史功率数据和神经网络的功率预测精度高。在此基础上，考虑预测误差的修正，能有效减少系统配置的冗余。针对规划问题的建模，建立了包括动态投资回收期和弃风弃光率的目标函数，前者考虑时间因素对货币价值的影响，使投资指标与利润指标在时间上具有可比性条件下，计算出投资回收期，减小投资风险，后者可以尽可能可再生能源在系统中的利用率；同时以不间断供电、供需平衡和各发电单元容量为约束，确保系统可以在小时尺度上连续可靠供电的基础。此外，在算法的寻优过程中，根据净负荷对数据进行分组，大大简化了计算复杂度。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由权利要求指出。

应该理解的是，虽然本发明各实施例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，各实施例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。

本领域普通技术人员可以理解实现上述实施例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，可包括如上述各方法的实施例的流程。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。

以上所述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。

Claims (8)

1.一种基于功率预测的独立风光储微电网系统尺寸规划方法，其特征在于，具体包括：

获取微电网系统基础数据，并进行分组获得训练集、测试集和规划功率预测集，所述基础数据包括单台风机的历史小时发电功率数据、单块光伏板的历史小时发电功率、地区用户的历史小时用电数据；

建立LSTM神经网络模型，并以所述训练集为输入进行训练获得预测模型；将测试集和规划功率预测集输入所述预测模型获得测试集预测数据和规划功率预测集预测数据；

根据所述测试集预测数据和真实数据，获得预测误差，并对预测误差按照预设的修正方法进行修正，获得预测误差修正样本；

根据所述预测误差修正样本对所述规划功率预测集预测数据进行修正获得规划功率修正预测数据；

建立微电网系统优化模型，以系统设备参数为优化参数，根据所述规划功率修正预测数据采用优化算法对微电网系统配置容量进行计算获得独立风光储微电网系统尺寸规划。

2.根据权利要求1所述的独立风光储微电网系统尺寸规划方法，其特征在于，所述根据所述测试集预测数据和真实数据，获得预测误差，并对预测误差按照预设的修正方法进行修正，获得预测误差修正样本步骤具体包括：

根据所述测试集预测数据

和真实数据P_type,k，获得预测误差

所述type为风光荷三种情况，k为时间序列中的位置；

将所述预测误差进行归一化处理：

ε_type,k为归一化后的误差数据，

为预测误差中的最大值；

将归一化处理后的预测误差样本采用Bootstrap法扩充样本容量，将样本从小到大排列，随机有放回的抽取M次，形成N个样本集合，再取平均值，得到归一化后误差数据的Bootstrap样本；

采用核密度估计法求取Bootstrap样本的概率分布图，公式为

其中h是带宽，K(·)为选取的核函数；

将获得的概率分布曲线采用蒙特卡洛随机抽样，获得随机误差样本即为预测误差修正样本。

3.根据权利要求1所述的独立风光储微电网系统尺寸规划方法，其特征在于，所述微电网系统优化模型包括目标函数和约束条件，所述约束条件包括储能装置约束和不间断供电约束。

4.根据权利要求3所述的独立风光储微电网系统尺寸规划方法，其特征在于，所述目标函数为：

min(F)＝min(λ₁T_DIPP+λ₂EE)

式中，λ₁和λ₂是多目标函数中的权重系数，T_DIPP代表动态投资回收期，EE是弃风弃光率；

式中，I₀是初始投资成本，CRF()是资本回收系数，C_e(k)代表第k年的年回报；

式中，C_p(k),C_B(k),C_R(k),C_M(k)分别是第k年的利润、残值、重置成本和运维成本；u是电价；P_load(k)是第k年的用电量；i_r代表利率，t是资本回收期；N_w,N_pv和N_b分别指风机，光伏板和储能装置的数量；C_w,C_pv和C_b分别是风机，光伏板和储能装置的购买成本；

弃风弃光率的表达式如下：

式中，N为一年的小时数。

5.根据权利要求3所述的独立风光储微电网系统尺寸规划方法，其特征在于，所述约束条件具体为：

蓄电池的SOC需满足：SOC_min≤SOC(k)≤SOC_max,k＝1,2...N，式中，SOC_min和SOC_max分别

式中，

为储能装置的充放电功率上限；

蓄电池的充放电功率需满足：

ΔP(k)为k时刻的净负荷，

和

分别是修正后的风光荷数据；基于充放电的特性，对净负荷进行分组处理，得到改写后的不间断供电约束条件：

6.根据权利要求1所述的独立风光储微电网系统尺寸规划方法，其特征在于，所述系统设备参数包括：光伏板参数、风机参数和蓄电池参数。

7.根据权利要求1所述的独立风光储微电网系统尺寸规划方法，其特征在于，所述优化算法为PSO算法，具体包括：

输入待优化参数，并根据PSO算法参数初始化种群，获得随机的风光组件数量，并根据约束条件获得满足约束条件的风光组件数；

根据所述风光组件数计算储能容量，获得最优储能，并计算目标函数，判断是否最优；

当达到预设的终止条件时获取相应的优化参数，即为最优配置。

8.根据权利要求7所述的独立风光储微电网系统尺寸规划方法，其特征在于，所述PSO算法参数包括种群规模、维度、最大迭代次数和学习率。

Images