CN113486593B - 一种基于风电功率爬坡预测的风-蓄-氢混合储能控制方法 - Google Patents
一种基于风电功率爬坡预测的风-蓄-氢混合储能控制方法 Download PDFInfo
- Publication number
- CN113486593B CN113486593B CN202110834597.XA CN202110834597A CN113486593B CN 113486593 B CN113486593 B CN 113486593B CN 202110834597 A CN202110834597 A CN 202110834597A CN 113486593 B CN113486593 B CN 113486593B
- Authority
- CN
- China
- Prior art keywords
- wind power
- climbing
- wind
- power
- hydrogen
- 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
Links
- 230000009194 climbing Effects 0.000 title claims abstract description 117
- 229910052739 hydrogen Inorganic materials 0.000 title claims abstract description 67
- 239000001257 hydrogen Substances 0.000 title claims abstract description 67
- 238000004146 energy storage Methods 0.000 title claims abstract description 63
- 238000000034 method Methods 0.000 title claims abstract description 62
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 claims abstract description 46
- 238000005457 optimization Methods 0.000 claims abstract description 17
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 13
- 230000005764 inhibitory process Effects 0.000 claims abstract description 12
- 230000006870 function Effects 0.000 claims description 90
- 241000238631 Hexapoda Species 0.000 claims description 54
- 230000008569 process Effects 0.000 claims description 21
- 238000007906 compression Methods 0.000 claims description 17
- 230000006835 compression Effects 0.000 claims description 14
- 230000008859 change Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000011218 segmentation Effects 0.000 claims description 8
- 241000607479 Yersinia pestis Species 0.000 claims description 7
- 230000014509 gene expression Effects 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000007599 discharging Methods 0.000 claims description 5
- XOFYZVNMUHMLCC-ZPOLXVRWSA-N prednisone Chemical compound O=C1C=C[C@]2(C)[C@H]3C(=O)C[C@](C)([C@@](CC4)(O)C(=O)CO)[C@@H]4[C@@H]3CCC2=C1 XOFYZVNMUHMLCC-ZPOLXVRWSA-N 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000013178 mathematical model Methods 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 238000013144 data compression Methods 0.000 claims description 3
- 238000003064 k means clustering Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000036962 time dependent Effects 0.000 claims description 3
- 238000012804 iterative process Methods 0.000 claims description 2
- 238000011217 control strategy Methods 0.000 abstract description 7
- 230000002688 persistence Effects 0.000 abstract description 2
- 239000000243 solution Substances 0.000 description 7
- 238000012549 training Methods 0.000 description 6
- 238000009825 accumulation Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000010606 normalization Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/06—Wind turbines or wind farms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/06—Power analysis or power optimisation
-
- 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
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- 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
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Business, Economics & Management (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Economics (AREA)
- Computational Linguistics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Primary Health Care (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Geometry (AREA)
- Game Theory and Decision Science (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
Abstract
本发明公开了一种基于风电功率爬坡预测的风‑蓄‑氢混合储能控制方法,针对风电功率预测精度不高及风电爬坡事件难以检测的问题,基于经验模态分解后的各序列分量使用智能虫群算法对最小二乘支持向量回归预测模型进行优化,得到风电功率最终预测值。利用累加‑摇摆窗算法对其中的风电爬坡事件进行识别并提取其特征值,实现爬坡事件的间接预测。针对风电爬坡对电力系统稳定性造成影响的问题,建立基于多网络前馈算法的风电爬坡抑制效能指标,作为控制策略优化目标的影响因子,并利用AMC控制方法的超前性、氢储能供电的持续性在保证储能出力稳定性和降低系统能量损失的基础上减少风电爬坡,从而保证电力系统的稳定运行。
Description
技术领域
本发明涉及一种混合储能控制方法,尤其涉及一种基于风电功率爬坡预测的风-蓄-氢混合储能控制方法。
背景技术
随着社会水平的不断提高,人们对能源的消耗不断增加,能源危机的矛盾越来越严峻。风能作为清洁、无污染的可再生能源,其优良的特性使其受到更多广泛的关注。因为自然风存在剧烈的不稳定性,导致风电功率的预测难度较大,使得风电大规模并网后对电力系统的调度、稳定性造成严重影响。风电功率的波动性会导致风电爬坡事件的发生,当风电功率发生爬坡时,若直接运用会对电网产生影响,实质是有功注入突然增大和突然减小,会导致电网频率的变化,因此进行风电功率预测以及根据风电预测结果进行爬坡检测具有重要意义。
目前相对比较成熟的储能技术是蓄电池储能,由于风电功率波动性频发,蓄电池频繁充放电会使得蓄电池使用寿命大大降低且蓄电池容量有限,一旦控制策略不能较好地利用系统中的剩余储能容量,适应未来短期内的风电出力变化,则储能系统难以应对持续性的风电波动。而氢储能技术作为解决控制风电功率爬坡的新途能径,具有能量密度高、储氢容量大、绿色环保等特点,无需担心因储能容量不足导致无法抑制风电功率波动的现象,因此研究如何协调控制风-蓄-氢混合储能系统具有重要意义。
发明内容
发明目的:针对以上问题,本发明提出一种基于风电功率爬坡预测的风-蓄-氢混合储能控制方法,能够保证储能出力稳定性和降低系统能量损失的基础上减少风电爬坡,从而保证电力系统的稳定运行。
技术方案:本发明所采用的技术方案是一种基于风电功率爬坡预测的风-蓄-氢混合储能控制方法,包括以下步骤:
步骤1,利用经验模态分解将原始风电功率分解为各序列分量,将分解后的各IMF分量和剩余分量作为输入量建立基于各序列分量的最小二乘支持向量回归风电预测模型,并使用智能虫群算法优化所述最小二乘支持向量回归风电预测模型的正则化参数和核参数,通过优化后的模型得到风电功率预测序列;
步骤1中所述的智能虫群算法包括以下步骤:
(11)随机生成N个虫巢的初始种群,迭代过程中种群其中i=1,2,...,N,D为虫巢的位置维数,t为当前的迭代次数,为第i个虫巢的第t次迭代向量,xik t表示第t次迭代第i个虫巢的第k维向量;
(12)计算每个虫巢的适应度函数Fi及其在虫群中被选中的概率Pi;
(13)动态更新种群,更新表达式为:
式中,k为各分量相应的维数,xjk为当前随机搜索到的最佳虫巢位置,xop,k为整个虫群中的最佳虫巢位置,xik t表示第t次迭代第i个虫巢的第k维向量,λk为步长因子,j由轮盘赌机制得到,Pj为目标虫巢被选中的概率,α为步长上限;
(14)计算虫巢的随机变异的概率为:
σ=Z×(Vmax-Vmin)
式中,N(xik t,σ2)为正态分布,N(0,1)为0-1分布,σ为标准差,Z为缩放比例系数,为0到1之间的随机数,Vmax和Vmin分别为虫巢位置的上下边界;
(15)组合旧群体和变异后的群体,保留组合群体中适应度函数值最小的个体;此时若满足终止条件,则输出最佳位置及其对应的最优值,反之,则继续进行迭代。
步骤(12)中所述的计算每个虫巢的适应度函数Fi及其在虫群中被选中的概率Pi,计算式分别为:
其中,f(xi)为第i个虫巢xi的优化目标函数;Fi为适应度函数,Pi为每个虫巢在虫群中被选中的概率,N为虫巢总数。
步骤1中所述的使用智能虫群算法优化所述最小二乘支持向量回归风电预测模型的正则化参数和核参数,是将所述正则化参数和核参数组成参数组(γ,σ)作为所述智能虫群算法的虫巢位置,通过所述智能虫群算法得到的最佳虫巢位置作为最小二乘支持向量回归风电预测模型的最优参数;其中,所述适应度函数中的优化目标函数为:
式中,及yi分别为对原始风电功率数据经模态分解后得到的各序列风电功率数据经归一化处理后的第i个样本的输出功率预测值及真实值,n为各序列中的原始风电数据的样本总数,γmin,γmax分别为正则化参数γ的上下限,σmin,σmax分别为核参数σ的上下限。
步骤2,将风电功率预测序列作为输入,利用累加-摇摆窗算法对其中的风电爬坡事件进行识别;步骤2中所述的累加-摇摆窗算法包括以下步骤:
(21)使用摇摆窗算法将风电功率预测序列进行压缩分段化处理;
(22)在压缩分段化处理后的风电功率预测序列上任取一个时间区间(i,j),k(i<k<j)为其中的任意时刻;
(23)在风电功率预测序列上构造目标函数J(i,j):
该目标函数的约束条件为:
S(i,j)=(j-i)2×R(i,j)
其中,S(·)为累加函数,S(i,k)是对应于子区间(i,k)的得分值,R(i,j)代表子区间(i,j)上的一起爬坡事件,当(i,j)符合爬坡事件的定义时,R(i,j)被赋值为a;反之,R(i,j)则被赋值为b,其中a,b为常数;所述爬坡事件的定义是,当满足不等式(pj-pi)/(tj-ti)>λup或(pj-pi)/(tj-ti)<-λdown时,即视为一起爬坡事件;其中,λup与λdown为爬坡事件分界值;pj和pi分别为其对应时刻tj和ti的功率;
(24)满足目标函数的时间区间识别为风电爬坡事件。
步骤(21)中所述的摇摆窗算法包括以下步骤:
(21-1)初始化计算:
式中,E为压缩阈值,k1new(0)是上边界窗斜率初始值,k2new (0)是下边界窗斜率初始值,t0为所选取时间序列初始时刻,p0为所选取时间序列初始时刻的风电功率预测值,t1为所选取时间序列下一时刻,p1为所选取时间序列下一时刻的风电功率预测值;
(21-2)计算tj时刻对应的上边界窗斜率k1、下边界窗斜率k2;
式中,pj是风电功率预测数据序列中的第j项,tj是时间序列中的第j项,k1为上边界窗斜率、k2为下边界窗斜率;
(21-3)更新上、下边界窗斜率,计算式为:
k1new、k2new分别是在执行步骤(21-2)以前上、下边界窗斜率的值;
(21-4)数据压缩及选取:
k1new≥k2new
若满足上式,此时压缩分段过程结束,存储前一时刻tj-1的数据值pj-1,并将其作为新的起点,返回步骤(21-1),开始执行下一个压缩过程;否则返回步骤(21-2),继续执行本次压缩,更新项数j=j+1。
步骤3,提取所识别风电爬坡事件的特征值,将所述的风电爬坡事件的特征值作为输入,通过多网络前馈算法计算风电爬坡抑制效能指标;步骤3中所述的提取所识别风电爬坡事件的特征值,所述特征值包括爬坡率、爬坡幅值和爬坡持续时间,所述爬坡率是单位时间内风电输出功率的变化,所述爬坡幅值指的是发生爬坡事件期间风电输出功率的变化,所述爬坡持续时间是发生爬坡事件期间风电输出功率的持续时间。
步骤3中所述的多网络前馈算法包括以下步骤:
(31)构建包含风电爬坡特征的数学模型;其中,所述风电爬坡特征包括爬坡率、爬坡幅值、爬坡持续时间,作为多网络前馈算法的输入;
(32)确定多网络前馈算法的网络结构,包括输入层、隐含层和输出层的节点数;
(33)对多网络前馈算法的各项参数初始化;
(34)使用K均值聚类算法进行迭代,得到基函数的中心与宽度;
(35)使用下降梯度法确定权值向量,利用误差函数判断,若误差达到标准,则输出最终权重,结合所选基函数得到多网络前馈算法的输出风电爬坡抑制效能指标。
步骤4,将风电功率预测序列和状态变量输入至超前模型控制系统(AMC控制系统)控制蓄电池及氢循环装置的出力,所述超前模型控制系统中的能量损失指标的影响因子使用步骤3所得风电爬坡抑制效能指标替代。
步骤4中所述的将风电功率预测序列和状态变量输入至超前模型控制系统控制蓄电池及氢循环装置的出力,包括以下步骤:
(41)将风电功率预测序列和状态变量作为输入,通过AMC控制系统模型初步预测风-蓄-氢混合储能系统未来一段时刻的过程输出,所述过程输出包括并网功率、蓄电池剩余能量以及储氢罐的储氢量;
(42)通过AMC控制系统模型,将模型的初步预测结果作为输入,得到最优控制输入变量,作用到储能系统中,控制蓄电池及氢循环装置的出力,所述控制输入变量包括蓄电池的充放电功率及氢循环装置的充放电功率;
(43)将上一时刻的并网功率和储能系统状态作为反馈量构成闭环控制,将上一时刻的风电功率预测值作为控制器输入,进行下一阶段的控制;
所述AMC控制系统模型包括状态空间模型、目标函数及目标函数的约束条件,所述目标函数为:
式中,ΔE=ψclimb·[(-u1(k)·(1-ηB)·Δt-u2(k)·(1-ηH)·Δt)+Δt·Δx1(k)],其中,Δx1(k)为并网功率波动指标,Δu1(k)为蓄电池的充放电功率变化指标,ΔE为系统的能量损耗指标;λ1、λ2、λ3分别为三个子目标函数的权重,所述三个子目标函数的权重采用适应度函数变差系数排序法确定,ψclimb为能量损失指标的影响因子,为蓄电池充放电过程的转换效率,ηBc为蓄电池充电效率,ηBd为蓄电池放电效率,PB(t)表示蓄电池的充放电功率;为氢储能系统的充放电效率,ηHc为氢储能系统充电效率,ηHd为氢储能系统放电效率,PH(t)为氢循环装置的充放电功率;为决策时刻数,T为AMC控制的周期时长,Δt为波动时间尺度,u1(k)、u2(k)分别为蓄电池的充放电功率及氢循环装置的充放电功率。
所述目标函数的约束条件为:
0≤x1(k)≤PWm,k=1,2,...,N
EBmin≤x2(k)≤EBmax,k=1,2,...,N
x3(k)≥0
式中,PWm表示风电场额定容量,PBcm为蓄电池最大充电功率,PBdm为蓄电池最大放电功率,PHcm为氢储能装置最大充电功率,PHdm为氢储能装置最大放电功率,EBmin为蓄电池剩余能量下限,EBmax为蓄电池剩余能量上限;
所述状态空间模型为:
其中,x1(k)、x2(k)及x3(k)分别为并网功率、蓄电池剩余能量以及储氢罐的储氢量,y(k)为过程输出量矩阵,u1(k)、u2(k)分别为蓄电池的充放电功率及氢循环装置的充放电功率,扰动变量r(k)为风电机组输出的原始有功功率。
有益效果:相比现有技术,本发明具有以下优点:针对风电功率预测精度不高及风电爬坡事件难以检测的问题,首先,利用经验模态分解将原始风电功率分解为各序列分量,建立基于各序列分量的最小二乘支持向量回归(LSSVM)风电预测模型,并使用智能虫群算法对其进行优化,得到风电功率最终预测值。其次,将风电功率预测结果作为输入,利用累加-摇摆窗算法对其中的风电爬坡事件进行识别并提取其特征值,实现爬坡事件的间接预测。针对风电功率爬坡对电力系统稳定性造成影响的问题,参照风电爬坡事件特征值,建立基于多网络前馈算法的风电爬坡抑制效能指标ψclimb,作为系统能量损失指标的影响因子。最后,提出一种基于AMC(Advanced Model Control)方法的风-蓄-氢混合储能控制策略,以系统并网功率波动、储能出力、系统能量损失为优化目标,采用适应度函数变差系数排序法确定各指标的权重将多目标优化转为单目标优化问题求解,利用AMC控制方法的超前性、氢储能供电的持续性在保证储能出力稳定性和降低系统能量损失的基础上减少风电爬坡,从而保证电力系统的稳定运行。
附图说明
图1是本发明所述的基于风电功率爬坡预测的风-蓄-氢混合储能控制方法的流程图;
图2是基于EMD分解与智能虫群算法-LSSVM的风电功率预测组合方法示意图;
图3是本发明所述的智能虫群算法-LSSVM预测模型求解风电功率流程图;
图4是本发明所述的累加-摇摆窗算法提取爬坡事件特征值流程图;
图5是多网络前馈算法结构示意图;
图6是本发明所述的AMC控制结构示意图;
图7是本发明所述的基于AMC控制器的混合储能控制方法的流程图。
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。
本发明所述的基于风电功率爬坡预测的风-蓄-氢混合储能控制方法,方法流程图如图1所示,包括以下步骤:
步骤1:利用经验模态分解(EMD)将原始风电功率分解为各序列分量,建立基于各序列分量的最小二乘支持向量回归(LSSVM)风电预测模型,并使用智能虫群算法优化所述模型的正则化参数γ和核参数σ,通过优化后的模型得到风电功率最终预测值。
EMD分解具体过程如下:
(1)找出原始风电功率数据X(t)中的极大值点和所有极小值点,利用三次样条差值函数拟合出两条包络线。
(2)求出上包络线和下包络线的均值m(t),用原始序列据减去其上下包络线的均值m(t),得到新的序列h(t),即h(t)=X(t)-m(t)。判断h(t)是否满足IMF条件,若不满足条件,则将h(t)看作新的X(t),重复以上操作,即:
hk(t)=hk-1(t)-mk-1(t) (1)
直到hk(t)满足内在模式函数IMF的条件,这样就得到了第一个IMF,即c1(t)和信号剩余分量r1(t):
r1(t)=X1(t)-c1(t) (2)
IMF的条件为:1、函数在整个时间序列内,局部极值点和过零点的数目相等或者最多相差一个。2、在任意时间点,上包络线和下包络线平均值为零。
(3)对r1(t)运用步骤(2)的方法继续进行分解,直到所得的剩余分量满足给定的终止条件,分解过程结束,得到若干IMF和一个剩余分量:
rn(t)=rn-1(t)-cn(t) (3)
原始数据可表示为若干IMF和剩余分量之和:
然后,将训练集分解后的各IMF分量和剩余分量作为各分量LSSVR风电功率回归模型的输入量建立基于各序列分量的最小二乘支持向量回归(LSSVM)风电预测模型,并使用智能虫群算法对其进行优化,得到各分量的预测值并将各分量的预测值进行叠加,得到最终风电功率预测值,方法示意图如图2所示。
LSSVM将线性最小二乘系统代替二次规划作为损失函数,用等式约束取代标准支持向量机的不等式约束,是存在约束条件的优化问题:
其中,J(w,e)为最优型决策目标函数,w为权值向量,e为误差变量,γ为正则化系数,控制对超出误差e的样本的惩罚程度,为非线性映射函数,把样本集映射到高维空间拟合,b为偏置向量,m为样本集中样本个数。
LSSVM建立的回归函数为:
其中,αi为Lagrange乘子,K(z,zi)为核函数,本专利选择核函数如下:
其中,z为训练样本数据,zi为核函数的中心,σ为核参数。
正则化参数用于衡量拟合曲线光滑度及实现拟合误差的最小化,核参数反映LSSVM之间的相关程度,正则化参数、核参数对LSSVM回归模型的学习能力及预测准确度影响很大。为了提高LSSVM预测效果,需要为其找到合适的两个参数。
智能虫群算法优化步骤如下:
(1)种群初始化。随机生成N个虫巢的初始种群其中i=1,2,...,N,D为虫巢的位置维数,t为当前的迭代次数,为第i个虫巢的第t次迭代向量,xik t表示第t次迭代第i个虫巢的第k维向量。
(2)确定每个虫巢的适应度函数Fi及其在虫群中被选中的概率Pi,表达式分别为:
其中,f(xi)为第i个虫巢的目标函数,N为虫巢总数。
(3)群体更新。雄虫在迁徙过程中会不断更新虫巢位置,即雄虫依据当前随机搜索到的最佳虫巢位置xjk、整个虫群中的最佳虫巢位置xop,k以及通过目标虫巢被选中的概率Pj而确定的步长因子λk动态更新种群,表达式分别为:
式中,k为各分量相应的维数,xik t表示第t次迭代第i个个体的第k维向量,j由轮盘赌机制得到,Pj为目标虫巢被选中的概率,由公式(9)计算得到,α为步长上限。
(4)个体变异。通常强壮的雄虫会偷取其他雄虫虫巢的材料,故而虫巢会有一定的概率发生随机变异如下:
σ=Z×(Vmax-Vmin) (14)
式中,N(xik t,σ2)为正态分布,N(0,1)为01分布,σ为标准差,Z为缩放比例系数,为0到1之间的随机数,Vmax和Vmin分别为虫巢位置的上下边界。
(5)将旧群体和变异后的群体进行组合,并对组合群体中的所有个体的适应度函数值从小到大进行排序,保留函数值最小的个体,删除其余个体。此时若满足终止条件,则输出最佳位置及其对应的最优值,反之,则继续进行迭代。
使用智能虫群算法对LSSVM风电预测模型进行优化流程图如图3所示,步骤如下:
(1)数据预处理:收集LSSVM模型的训练样本,进行归一化处理,剔除残缺值,即对原始风电功率数据经模态分解后得到的各序列风电功率数据y进行归一化处理。
式中,y及yi分别为输入风电功率归一化前和归一化后的值,ymax及ymin分别为选取的数据中风电功率的最大值和最小值。
(2)初始化各参数,定义目标函数,初始化虫巢数目,最大迭代次数,步长上限,变异概率,缩放比例系数,正则化参数γ和核参数σ的取值范围及待优化变量维数。
(3)随机生成初始虫巢的位置,每个巢穴的位置表示一组参数(γ,σ)。
(4)由式(16)计算所有虫巢个体的优化目标函数值f(γ,σ),比较得到最佳虫巢的位置xop,并保留到下一代。
式中,及yi分别为对原始风电功率数据经模态分解后得到的各序列风电功率数据经归一化处理后的第i个样本的输出功率预测值及真实值,n为各序列中的原始风电数据的样本总数。
(5)由式(8)及式(9)计算所有虫巢个体被选中的概率。
(6)通过轮盘赌选择机制,确定目标虫巢,利用式(10)及式(11)更新虫巢位置。
(7)利用式(12)到式(14)对所有虫巢个体进行随机变异。
(8)将所有种群进行组合,求得最优巢穴。若满足算法结束条件,即当达到设置的最大迭代次数后,算法停止搜索,则最佳巢穴的位置即为优化选择的参数值;反之,返回步骤(4)继续进行迭代。
(9)将最后得到的最佳巢穴位置作为LSSVM的最优参数(γ,σ),建立LSSVM回归模型,实现风电功率的预测。
步骤2:将风电功率预测结果作为输入,利用累加-摇摆窗算法对其中的风电爬坡事件进行识别并提取其特征值,实现爬坡事件的间接预测,流程图如图4所示。
(21)使用摇摆窗算法将风电功率数据预测值进行压缩分段化处理,将得到的分段数据输入到累加算法。
摇摆窗算法步骤如下所示:
(1)初始化计算。
式中,E为压缩阈值,ti是风电功率预测数据的时间序列,pi是风电功率预测数据序列,k1new (0)是上边界窗斜率初始值,k2new (0)是下边界窗斜率初始值,t0为所选取时间序列初始时刻,P0为所选取时间序列初始时刻的风电功率预测值,t1为所选取时间序列下一时刻,P1为所选取时间序列下一时刻的风电功率预测值。
(2)计算tj时刻对应的上边界窗斜率k1、下边界窗斜率k2。
式中,pj是风电功率预测数据序列中的第j项,tj是时间序列中的第j项,k1为上边界窗斜率、k2为下边界窗斜率;
(3)斜率更新。
k1new、k2new分别是在执行步骤(2)以前上、下边界窗斜率的值;
(4)数据压缩及选取。
k1new≥k2new (20)
若满足上式,此时压缩分段过程结束,存储前一时刻tj-1的数据值pj-1,并将其作为新的起点,返回步骤(1),开始执行下一个压缩过程;否则返回步骤(2),继续执行本次压缩,此时,j=j+1。
(22)在压缩后的风电功率时间序列上任取一个时间区间(i,j),k(i<k<j)为其中的任意时刻。
(23)在风电功率时间序列上构造目标函数J(i,j),即:
该目标函数的约束条件为:
S(i,j)=(j-i)2×R(i,j) (23)
其中,S(,)为累加函数,目标函数J(i,j)是子区间(i,j)的最大值,同理J(k,j)是子区间(k,j)的最大值,S(i,k)是对应于子区间(i,k)的得分值,并严格符合约束条件(22)。R(i,j)代表子区间(i,j)上的一起爬坡事件,当(i,j)符合爬坡事件的定义时,R(i,j)被赋值为1;反之,R(i,j)则被赋值为0。当满足不等式(pj-pi)/(tj-ti)>λup(上爬坡事件)或(pj-pi)/(tj-ti)<-λdown(下爬坡事件)时,即视为一起爬坡事件R(i,j)=1,否则R(i,j)=0。其中,λup与λdown为爬坡事件分界值;pj和pi分别为其对应时刻tj和ti的功率。
步骤(22)及(23)的中心思想可以归结为以下三点:
(1)符合爬坡定义的区间按照累加函数进行相加。若不符合爬坡规则,所加分数为零。
(2)当前区间累加完成后,将与下一个区间进行整合并作为新的区间,对新的区间进行重新累加。
(3)提取出累加数值最多的区间,其对应的子区间即为爬坡事件的检测结果。
(24)由累加-摇摆窗算法实现对风电爬坡事件的检测,得到各阶段爬坡事件的特征值,即爬坡率/爬坡强度爬坡幅值RRA、爬坡持续时间RRRT。这里的爬坡幅值指的是发生爬坡事件期间风电输出功率的变化,通常以额定功率的百分比定义。爬坡持续时间是发生爬坡事件期间风电输出功率的持续时间。
步骤3:建立基于多网络前馈算法的风电爬坡抑制效能指标ψclimb,多网络前馈算法结构如图5所示。
(31)构建包含风电爬坡特征的数学模型;其中,数学模型包括爬坡率RRR、爬坡幅值RRA、爬坡持续时间RRRT,作为多元前馈算法的输入。
(32)确定多网络前馈算法的网络结构。包括输入层、隐含层和输出层的节点个数。
多网络前馈算法的网络结构是一种三层前馈式网络,其结构由三个部分组成,分别为输入层、隐含层和输出层。在多网络前馈算法的网络结构中,输入层与输出层节点个数可根据需求进行设置,本专利设置输入层节点为3个,输出层节点为1个。
式中,M、O分别为输入层3个结点、输出层1个结点,L为[1,10]区间中的整数,q为隐含层节点的个数。
(33)对多网络前馈算法的基函数中心、宽度和权值进行初始化。
(1)初始化隐含层至输出层的连接权值wj:
其中,O是输出单元数,及分别为输出节点目标输出的极小值、极大值。
(2)初始化隐含层各节点的中心参数cj:
其中,maxxi与minxi分别为第i个特征输入信息的最小、最大值。
(3)初始化隐含层各节点的宽度向量dj:
df为值小于1的调节系数,xi为输入爬坡事件特征向量,H为爬坡事件的总数。
(34)使用K均值聚类算法进行迭代,得到基函数的中心与宽度。
(1)把各个隐含层节点进行初始化中心,随机选择k个值作为样本,迭代次数为t;
(2)计算输入变量x(t)和中心cp(t)的欧式距离dp(t)。
dp(t)=||x(t)-cp(t)||,p=1,2,...,k(28)
(3)计算最小值dm(t)。
dm(t)=min dp(t) (29)
(4)调整中心值。
(5)判断cp(n+1)=cp(n),或原始输入数据是否训练完毕,如果是,停止迭代否则转至步骤(2),得到调整之后的中心值。
(6)确定基宽度。在中心值确定以后,通过各个中心间的距离计算对应的基函数中心宽度。
dj=min||cm-cn|| (31)
其中,cm与cn表示随机选择样本中两个不同的中心点且m,n=1,2,...,k且m≠n。
则基宽度可表示为:
bj=λdj (32)
其中λ为重叠系数。
(35)使用下降梯度法确定权值向量,利用误差函数判断,若误差达到标准,则输出最终权重,结合所选基函数得到多网络前馈算法的输出值ψclimb。风电爬坡抑制效能指标ψclimb作为目标函数组成部分之一,用于风-蓄-氢混合储能系统的控制策略中。ψclimb的值越接近于0,风-蓄-氢混合储能系统对风电爬坡抑制效果越好,电力系统运行越稳定。
多网络前馈算法隐含层节点中心、基宽度和输出层的连接权值都可以通过梯度下降法进行参数训练。算法步骤如下:
(1)x=[x1,x2,x3]T为算法的输入向量,选用基函数为高斯函数,由上可知,隐含层节点共有q个,第j个节点的输出为:
(2)设w=[w1,w2,...,wq]T是算法输出层的权重向量,则多网络前馈算法的输出为:
(3)使用下降梯度法对输出层的连接权值进行参数训练:
其中,η为学习速度,α为动量因子,二者满足∈(0,1)。
(4)定义误差信号为选取误差信号表达式为:
(5)若所得误差满足要求,则输出最终权重,返回步骤(2)得到最终输出结果ψclimb,反之,则返回步骤(3)继续进行训练。
步骤4:提出一种基于AMC(Advanced Model Control)超前模型控制方法的风-蓄-氢混合储能控制策略,以系统并网功率波动、储能出力、系统能量损失为优化目标,采用适应度函数变差系数排序法确定各指标的权重将多目标优化转为单目标优化问题求解,保证电力系统的稳定运行。
(41)搭建AMC控制系统模型,AMC控制结构如图6所示,其中P′表示未经低通滤波器的风电场并网功率,P表示经低通滤波器的风电场并网功率。
(1)确定控制系统的状态空间模型。
预测从当前时刻t至t+T时刻的风电功率值,其中,T为AMC控制的预测周期。
设风-蓄-氢系统的入网功率P(k)、蓄电池剩余能量EB(k)以及储氢罐的储氢量WH 2(k)为状态变量,分别为x1(k)、x2(k)及x3(k),设蓄电池的充放电功率PB(k)及氢循环装置的充放电功率PH(k)分别为控制输入量u1(k)与u2(k),设风电机组输出的原始有功功率PW(k)为扰动变量r(k),那么状态空间模型为:
其中,y(k)为过程输出量矩阵,为蓄电池充放电过程的转换效率,ηBc为蓄电池充电效率,ηBd为蓄电池放电效率;为氢储能系统的充放电效率,ηHc为氢储能系统充电效率,ηHd为氢储能系统放电效率。
(2)确定控制系统的优化目标函数。
多目标控制的评价指标有:
①并网功率波动幅值
并网功率波动量ΔP(t):
式中,Δt为波动时间尺度,为了降低并网过程中给电力系统稳定性带来的影响,储能系统需将ΔP控制在一定范围内。
②蓄电池出力平滑度
蓄电池充放电功率的大幅度变化会降低蓄电池的使用寿命,为保证蓄电池使用寿命,充放电功率幅值均匀最佳,蓄电池充放电的变化幅度用平滑度指标ΔPB来表示:
③系统能量损失
当发生上爬坡时,弃风量是功率波动量超过阈值的部分,弃风能量损失ΔEabn(t)表达式如下:
ΔEabn(t)=Δt·max{(ΔP(t)-Det),0} (42)
式中,Det表示波动下限。
另一能量损失是在混合储能系统充放电过程中产生的。
蓄电池能量转换损耗ΔEB(t):
ΔEB(t)=-PB(t)·Δt·(1-ηB) (43)
同理,氢储能系统能量转换损耗ΔEH(t):
ΔEH(t)=-PH(t)·Δt·(1-ηH) (44)
并采用风电爬坡抑制效能指标ψclimb作为系统的能量损耗ΔE的影响因子,则ΔE可表示为:
由上述三个评价指标构建目标函数,采用适应度函数变差系数排序法确定三个子目标函数的权重λ1、λ2、λ3。
为确定各子目标函数的权重,采用适应度函数变差系数排序法。具体步骤如下:
①分别计算出3个子目标函数的最优解minGi(ni),i=1,2,3;
②对各子目标函数的最优解进行交互迭代,分别计算出对应的目标函数值Gj(ni),i,j=1,2,3且i≠j;
③计算各子目标函数的不同解下的变差系数Ii:
变差系数能表明不同解下,目标函数距最优解的偏差;
④计算权系数:
⑤对上述权系数进行大小排序,变差系数大的目标函数乘以较小的权值,变差系数小的目标函数乘以较大的权值。可以更好地均衡有效解的范围,确定三个子目标函数的权重λ1、λ2、λ3。
将多目标优化化为单目标优化求解,即最终的目标函数为:
目标优化的约束条件为:
0≤x1(k)≤PWm,k=1,2,...,N (49)
EBmin≤x2(k)≤EBmax,k=1,2,...,N (50)
x3(k)≥0 (51)
其中,PWm表示风电场额定容量,PBcm为蓄电池最大充电功率,PBdm为蓄电池最大放电功率,PHcm为氢储能装置最大充电功率,PHdm为氢储能装置最大放电功率,为决策时刻数。
至此,AMC控制系统模型搭建完成。
(42)系统控制及执行模型,混合储能控制策略流程如图7所示。
基于AMC控制方法的混合储能系统控制策略实施步骤为:
(1)将风电功率预测数据和状态变量作为输入到AMC控制器,从而得到最优控制输入变量u1(k)、u2(k)。
AMC控制的目标是通过计算控制输入变量u的轨迹,以优化未来的系统输出y。
其中,AMC控制方法具体控制过程分为三个步骤:
1)模型预测
通过智能虫群算法改进的最小二乘支持向量回归(LSSVM)风电预测模型预测风电功率。通过搭建的控制系统的状态空间模型实现AMC控制器的模型的初步预测,得到未来一段时刻的过程输出。
2)目标优化
通过搭建AMC优化模型的目标函数和约束条件,将模型的初步预测结果作为输入,得到最优控制输入变量u1(k)、u2(k),作用到储能系统中。
3)反馈校正
将上一时刻的并网功率和储能系统状态作为反馈量构成闭环控制,将上一时刻的风电功率预测值r作为控制器输入,重新进行下一阶段的控制。
(2)将最优输入控制功率应用于混合储能系统中根据系统的能量状态决策出蓄电池和氢储能系统的控制方法。
(3)经过上一步骤的决策时间Δt后,更新预测数据和状态变量,循环上述步骤直至周期T结束。
Claims (5)
1.一种基于风电功率爬坡预测的风-蓄-氢混合储能控制方法,其特征在于,包括以下步骤:
步骤1,利用经验模态分解将原始风电功率分解为各序列分量,将分解后的各本征模态函数分量和剩余分量作为输入量建立基于各序列分量的最小二乘支持向量回归风电预测模型,并使用智能虫群算法优化所述最小二乘支持向量回归风电预测模型的正则化参数和核参数,通过优化后的模型得到风电功率预测序列;
步骤2,将风电功率预测序列作为输入,利用累加-摇摆窗算法对其中的风电爬坡事件进行识别;
步骤3,提取所识别风电爬坡事件的特征值,将所述的风电爬坡事件的特征值作为输入,通过多网络前馈算法计算风电爬坡抑制效能指标;
步骤4,将风电功率预测序列和状态变量输入至超前模型控制系统控制蓄电池及氢循环装置的出力,所述超前模型控制系统中的能量损失指标的影响因子使用步骤3所得风电爬坡抑制效能指标替代;
步骤1中所述的智能虫群算法包括以下步骤:
(11)随机生成N个虫巢的初始种群,迭代过程中种群B(t)={Xi t,Xi t=xi1 t,xi2 t,...,xiD t},其中i=1,2,...,N,D为虫巢的位置维数,t为当前的迭代次数,Xi t为第i个虫巢的第t次迭代向量,xik t表示第t次迭代第i个虫巢的第k维向量;
(12)计算每个虫巢的适应度函数Fi及其在虫群中被选中的概率Pi;
(13)动态更新种群,更新表达式为:
式中,k为各分量相应的维数,xjk为当前随机搜索到的最佳虫巢位置,xop,k为整个虫群中的最佳虫巢位置,λk为步长因子,j由轮盘赌机制得到,Pj为目标虫巢被选中的概率,α为步长上限;
(14)计算虫巢的随机变异的概率为:
σ=Z×(Vmax-Vmin)
式中,N(xik t,σ2)为正态分布,N(0,1)为0-1分布,σ为标准差,Z为缩放比例系数,为0到1之间的随机数,Vmax和Vmin分别为虫巢位置的上下边界;
(15)组合旧群体和变异后的群体,保留组合群体中适应度函数值最小的个体;此时若满足终止条件,则输出最佳位置及其对应的最优值,反之,则继续进行迭代;
步骤(12)中所述的计算每个虫巢的适应度函数Fi及其在虫群中被选中的概率Pi,计算式分别为:
其中,f(xi)为第i个虫巢xi的优化目标函数;Fi为适应度函数,Pi为每个虫巢在虫群中被选中的概率,N为虫巢总数;
步骤1中所述的使用智能虫群算法优化所述最小二乘支持向量回归风电预测模型的正则化参数和核参数,是将所述正则化参数和核参数组成参数组(γ,σ)作为所述智能虫群算法的虫巢位置,通过所述智能虫群算法得到的最佳虫巢位置作为最小二乘支持向量回归风电预测模型的最优参数;其中,所述适应度函数中的优化目标函数为:
式中,及yi分别为对原始风电功率数据经模态分解后得到的各序列风电功率数据经归一化处理后的第i个样本的输出功率预测值及真实值,n为各序列中的原始风电数据的样本总数,γmin,γmax分别为正则化参数γ的上下限,σmin,σmax分别为核参数σ的上下限;
步骤2中所述的累加-摇摆窗算法包括以下步骤:
(21)使用摇摆窗算法将风电功率预测序列进行压缩分段化处理;
(22)在压缩分段化处理后的风电功率预测序列上任取一个时间区间(i,j),k(i<k<j)为其中的任意时刻;
(23)在风电功率预测序列上构造目标函数J(i,j):
该目标函数的约束条件为:
S(i,j)=(j-i)2×R(i,j)
其中,S(·)为累加函数,S(i,k)是对应于子区间(i,k)的得分值,R(i,j)代表子区间(i,j)上的一起爬坡事件,当(i,j)符合爬坡事件的定义时,R(i,j)被赋值为a;反之,R(i,j)则被赋值为b,其中a,b为常数;所述爬坡事件的定义是,当满足不等式(pj-pi)/(tj-ti)>λup或(pj-pi)/(tj-ti)<-λdown时,即视为一起爬坡事件;其中,λup与λdown为爬坡事件分界值;pj和pi分别为其对应时刻tj和ti的功率;
(24)满足目标函数的时间区间识别为风电爬坡事件;
步骤4中所述的将风电功率预测序列和状态变量输入至超前模型控制系统控制蓄电池及氢循环装置的出力,包括以下步骤:
(41)将风电功率预测序列和状态变量作为输入,通过AMC控制系统模型初步预测风-蓄-氢混合储能系统未来一段时刻的过程输出,所述过程输出包括并网功率、蓄电池剩余能量以及储氢罐的储氢量;
(42)将模型的初步预测结果作为输入,通过AMC控制系统模型,得到最优控制输入变量,作用到储能系统中,控制蓄电池及氢循环装置的出力,所述控制输入变量包括蓄电池的充放电功率及氢循环装置的充放电功率;
(43)将上一时刻的并网功率和储能系统状态作为反馈量构成闭环控制,将上一时刻的风电功率预测值作为控制器输入,进行下一阶段的控制;
所述AMC控制系统模型包括状态空间模型、目标函数及目标函数的约束条件,所述目标函数为:
式中,ΔE=ψclimb·[(-u1(k)·(1-ηB)·Δt-u2(k)·(1-ηH)·Δt)+Δt·Δx1(k)],其中,Δx1(k)为并网功率波动指标,Δu1(k)为蓄电池的充放电功率变化指标,ΔE为系统的能量损耗指标;λ1、λ2、λ3分别为三个子目标函数的权重,所述三个子目标函数的权重采用适应度函数变差系数排序法确定,ψclimb为能量损失指标的影响因子,为蓄电池充放电过程的转换效率,ηBc为蓄电池充电效率,ηBd为蓄电池放电效率,PB(t)表示蓄电池的充放电功率;为氢储能系统的充放电效率,ηHc为氢储能系统充电效率,ηHd为氢储能系统放电效率,PH(t)为氢循环装置的充放电功率;为决策时刻数,T为AMC控制的周期时长,Δt为波动时间尺度,u1(k)、u2(k)分别为蓄电池的充放电功率及氢循环装置的充放电功率。
2.根据权利要求1所述的基于风电功率爬坡预测的风-蓄-氢混合储能控制方法,其特征在于,步骤(21)中所述的摇摆窗算法包括以下步骤:
(21-1)初始化计算:
式中,E为压缩阈值,k1new (0)是上边界窗斜率初始值,k2new (0)是下边界窗斜率初始值,t0为所选取时间序列初始时刻,p0为所选取时间序列初始时刻的风电功率预测值,t1为所选取时间序列下一时刻,p1为所选取时间序列下一时刻的风电功率预测值;
(21-2)计算tj时刻对应的上边界窗斜率k1、下边界窗斜率k2;
式中,pj是风电功率预测数据序列中的第j项,tj是时间序列中的第j项,k1为上边界窗斜率、k2为下边界窗斜率;
(21-3)更新上、下边界窗斜率,计算式为:
k1new、k2new分别是在执行步骤(21-2)以前上、下边界窗斜率的值;
(21-4)数据压缩及选取:
k1new≥k2new
若满足上式,此时压缩分段过程结束,存储前一时刻tj-1的数据值pj-1,并将其作为新的起点,返回步骤(21-1),开始执行下一个压缩过程;否则返回步骤(21-2),继续执行本次压缩,更新项数j=j+1。
3.根据权利要求1所述的基于风电功率爬坡预测的风-蓄-氢混合储能控制方法,其特征在于:步骤3中所述的提取所识别风电爬坡事件的特征值,所述特征值包括爬坡率、爬坡幅值和爬坡持续时间,所述爬坡率是单位时间内风电输出功率的变化,所述爬坡幅值指的是发生爬坡事件期间风电输出功率的变化,所述爬坡持续时间是发生爬坡事件期间风电输出功率的持续时间。
4.根据权利要求1所述的基于风电功率爬坡预测的风-蓄-氢混合储能控制方法,其特征在于,步骤3中所述的多网络前馈算法包括以下步骤:
(31)构建包含风电爬坡特征的数学模型;其中,所述风电爬坡特征包括爬坡率、爬坡幅值、爬坡持续时间,作为多网络前馈算法的输入;
(32)确定多网络前馈算法的网络结构,包括输入层、隐含层和输出层的节点数;
(33)对多网络前馈算法的各项参数初始化;
(34)使用K均值聚类算法进行迭代,得到基函数的中心与宽度;
(35)使用下降梯度法确定权值向量,利用误差函数判断,若误差达到标准,则输出最终权重,结合所选基函数得到多网络前馈算法的输出风电爬坡抑制效能指标。
5.根据权利要求1所述的基于风电功率爬坡预测的风-蓄-氢混合储能控制方法,其特征在于,所述目标函数的约束条件为:
0≤x1(k)≤PWm,k=1,2,...,N
EBmin≤x2(k)≤EBmax,k=1,2,...,N
x3(k)≥0
式中,PWm表示风电场额定容量,PBcm为蓄电池最大充电功率,PBdm为蓄电池最大放电功率,PHcm为氢储能装置最大充电功率,PHdm为氢储能装置最大放电功率,EBmin为蓄电池剩余能量下限,EBmax为蓄电池剩余能量上限;
所述状态空间模型为:
其中,x1(k)、x2(k)及x3(k)分别为并网功率、蓄电池剩余能量以及储氢罐的储氢量,y(k)为过程输出量矩阵,u1(k)、u2(k)分别为蓄电池的充放电功率及氢循环装置的充放电功率,扰动变量r(k)为风电机组输出的原始有功功率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110834597.XA CN113486593B (zh) | 2021-07-22 | 2021-07-22 | 一种基于风电功率爬坡预测的风-蓄-氢混合储能控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110834597.XA CN113486593B (zh) | 2021-07-22 | 2021-07-22 | 一种基于风电功率爬坡预测的风-蓄-氢混合储能控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113486593A CN113486593A (zh) | 2021-10-08 |
CN113486593B true CN113486593B (zh) | 2023-09-22 |
Family
ID=77942118
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110834597.XA Active CN113486593B (zh) | 2021-07-22 | 2021-07-22 | 一种基于风电功率爬坡预测的风-蓄-氢混合储能控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113486593B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116885691B (zh) * | 2023-05-30 | 2024-02-23 | 淮阴工学院 | 一种风电功率爬坡事件间接预测方法 |
CN117117968B (zh) * | 2023-08-28 | 2024-08-16 | 淮阴工学院 | 一种基于数据增强的风电场爬坡事件预测方法 |
CN117293825B (zh) * | 2023-11-24 | 2024-02-13 | 天津电力工程监理有限公司 | 考虑风电爬坡的风速及功率混合预测方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011172457A (ja) * | 2010-02-22 | 2011-09-01 | Chugoku Electric Power Co Inc:The | 発電出力制御装置、統括電力制御装置、発電出力制御方法及び統括電力制御方法 |
CN103955779A (zh) * | 2014-05-23 | 2014-07-30 | 武汉大学 | 一种风电功率爬坡事件概率场景预测方法 |
CN106933778A (zh) * | 2017-01-22 | 2017-07-07 | 中国农业大学 | 一种基于爬坡事件特征识别的风电功率组合预测方法 |
CN107909212A (zh) * | 2017-11-20 | 2018-04-13 | 武汉大学 | 基于中尺度风电功率发展过程序列化的爬坡事件预测方法 |
CN109242212A (zh) * | 2018-10-16 | 2019-01-18 | 中国矿业大学 | 一种基于变模式分解与长短记忆网络的风电预测方法 |
CN112636372A (zh) * | 2020-11-01 | 2021-04-09 | 国网河南省电力公司电力科学研究院 | 计及风电波动性和反调峰特性的储能协调控制方法和系统 |
-
2021
- 2021-07-22 CN CN202110834597.XA patent/CN113486593B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011172457A (ja) * | 2010-02-22 | 2011-09-01 | Chugoku Electric Power Co Inc:The | 発電出力制御装置、統括電力制御装置、発電出力制御方法及び統括電力制御方法 |
CN103955779A (zh) * | 2014-05-23 | 2014-07-30 | 武汉大学 | 一种风电功率爬坡事件概率场景预测方法 |
CN106933778A (zh) * | 2017-01-22 | 2017-07-07 | 中国农业大学 | 一种基于爬坡事件特征识别的风电功率组合预测方法 |
CN107909212A (zh) * | 2017-11-20 | 2018-04-13 | 武汉大学 | 基于中尺度风电功率发展过程序列化的爬坡事件预测方法 |
CN109242212A (zh) * | 2018-10-16 | 2019-01-18 | 中国矿业大学 | 一种基于变模式分解与长短记忆网络的风电预测方法 |
CN112636372A (zh) * | 2020-11-01 | 2021-04-09 | 国网河南省电力公司电力科学研究院 | 计及风电波动性和反调峰特性的储能协调控制方法和系统 |
Non-Patent Citations (1)
Title |
---|
基于ISMC-PSO 的风电爬坡输出功率预测系统的研究;李永馨等;《电力系统保护与控制》;第47卷(第18期);第115-120页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113486593A (zh) | 2021-10-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113486593B (zh) | 一种基于风电功率爬坡预测的风-蓄-氢混合储能控制方法 | |
CN112733462B (zh) | 一种结合气象因素的超短期风电场功率预测方法 | |
CN111884213B (zh) | 一种基于深度强化学习算法的配电网电压调节方法 | |
CN105846461B (zh) | 一种大规模储能电站自适应动态规划的控制方法和系统 | |
CN107491635B (zh) | 一种基于嵌套降维算法的梯级水库水沙联合优化调度方法 | |
CN110222883A (zh) | 基于风驱动优化bp神经网络的电力系统负荷预测方法 | |
CN109034587B (zh) | 一种协调多种可控单元的主动配电系统优化调度方法 | |
CN111555355A (zh) | 水光蓄联合发电的调度策略及其优化方法 | |
CN110555548B (zh) | 基于数据挖掘原始误差校正的ics-elm超短期风电功率预测方法 | |
CN111401755A (zh) | 基于马尔科夫链的多新能源出力场景生成方法、装置及系统 | |
CN105896575B (zh) | 基于自适应动态规划的百兆瓦储能功率控制方法及系统 | |
CN113422375A (zh) | 一种混合储能系统平抑风电功率波动的双层协调控制方法 | |
CN109242136A (zh) | 一种微电网风电功率混沌遗传-bp神经网络预测方法 | |
CN111709109A (zh) | 一种考虑源荷时序相关性的光伏消纳容量计算方法及装置 | |
CN112418496B (zh) | 一种基于深度学习的配电台区储能配置方法 | |
CN114298140A (zh) | 一种考虑机组分类的风电短期功率预测校正方法 | |
CN116468159A (zh) | 一种基于双延迟深度确定性策略梯度的无功优化方法 | |
CN116796911A (zh) | 基于典型场景生成与在线场景匹配的中压配电网优化调控方法及系统 | |
CN111401659A (zh) | 一种基于案例推理的超短期或短期光伏发电功率预测方法 | |
CN109950933B (zh) | 一种基于改进粒子群算法的风光储联合调峰优化方法 | |
CN110570091A (zh) | 基于改进F-score特征选择及粒子群BP神经网络的负荷辨识方法 | |
CN116191421A (zh) | 一种基于改进nsga-ii算法的新型电力系统多目标优化调度方法 | |
CN115459320B (zh) | 一种多点分布式储能系统聚合控制智能决策方法及装置 | |
CN116108975A (zh) | 基于br-som聚类算法的配电网短期负荷预测模型建立方法 | |
CN115347556A (zh) | 一种促进新能源消纳的储能电站容量配置方法 |
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 |