CN114444805A - 多光伏电站共享储能系统平滑出力的控制方法 - Google Patents

多光伏电站共享储能系统平滑出力的控制方法 Download PDF

Info

Publication number
CN114444805A
CN114444805A CN202210115810.6A CN202210115810A CN114444805A CN 114444805 A CN114444805 A CN 114444805A CN 202210115810 A CN202210115810 A CN 202210115810A CN 114444805 A CN114444805 A CN 114444805A
Authority
CN
China
Prior art keywords
power station
photovoltaic power
power
energy storage
distributed
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.)
Pending
Application number
CN202210115810.6A
Other languages
English (en)
Inventor
李建林
张则栋
张剑辉
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.)
Beijing Lianzhi Huineng Technology Co ltd
North China University of Technology
Original Assignee
Beijing Lianzhi Huineng Technology Co ltd
North China University of Technology
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 Beijing Lianzhi Huineng Technology Co ltd, North China University of Technology filed Critical Beijing Lianzhi Huineng Technology Co ltd
Priority to CN202210115810.6A priority Critical patent/CN114444805A/zh
Publication of CN114444805A publication Critical patent/CN114444805A/zh
Pending legal-status Critical Current

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
    • G06N3/02—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
    • G06N3/048—Activation functions
    • 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
    • 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
    • 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
    • H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
    • 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
    • H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
    • 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
    • H02J3/46—Controlling of the sharing of output between the 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
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
    • 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
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • 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
    • H02J2300/24—The renewable source being solar energy of photovoltaic 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A30/00—Adapting or protecting infrastructure or their operation
    • 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
    • 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)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Human Resources & Organizations (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Power Engineering (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明涉及分布式能源控制技术领域，具体涉及多光伏电站共享储能系统平滑出力的控制方法。可分为三部分：各分布式光伏电站气象因素等数据预处理阶段，利用分布式光伏电站所在地天气预测信息与历史观测信息，提取大气密度、太阳辐照度、温度、空气湿度、风速特征，对数据进行归一化处理；各光伏电站发电功率预测阶段，将处理后的数据作为输入量分别放入DAE+BP神经网络模型中进行光伏电站发电功率预测；集中式储能电站平滑各光伏电站出力阶段，基于各光伏电站出力情况及储能电站容量约束等条件，制定一种集中式储能电站平滑光伏电站出力的控制方法，旨在保障居民用电可靠的同时节约供电端成本。

Description

多光伏电站共享储能系统平滑出力的控制方法
技术领域：
本发明涉及分布式能源控制技术领域，具体涉及多光伏电站共享储能系统平滑出力的控制方法。
背景技术：
近年来，新型储能技术已经广泛应用于电力行业的发、输、配、用等环节。新型储能技术不仅能够有效平抑新能源并网波动、切实保障电力系统平稳运行，而且显著减少当地弃风弃光现象，保障最大限度合理利用自然资源，降低电力行业燃煤量。
分布式光伏电站的发展离不开储能系统的支撑，储能电站功率分配方法作为储能系统的的大脑，目前储能电站对多分布式光伏电站的功率分配方法大部分主要基于电价的分配方法，目标是使储能电站的盈利最大化，以下为当前分配方法的不足之处：
(一)具备多光伏电站的电力系统中，电能质量的波动较大，储能系统虽具有平抑光伏发电波动的特性，但储能系统容量有限，无法完全兼顾各个分布式光伏发电系统，因此需要制定分配精准、反应迅速的实时分配方法，而当前主流分配方法算法运行时间长，无法多目标优化光伏电站排序，制约储能系统对电网的效用；
(二)以储能电站收益情况作为功率分配主要标准具有局限性，容易造成部分光伏电站波动增强，严重危害区域电力系统安全运行，不考虑历史相似日期光伏电站发电功率的储能电站分配方法，容易导致分布式光伏电站弃光率显著提升，造成资源浪费。
因此，在当前分布式光伏系统大幅增多的情况下，制定合适的集中式储能系统功率分配方法至关重要。
发明内容：
本发明所要解决的技术问题在于提供集中式储能电站的能量管理控制方法，旨在解决前面所述的现有技术所存在的问题，提高储能电站的合理性和可靠性。本发明的技术方案具体如下：
多光伏电站共享储能系统平滑出力的控制方法，包括如下过程：
步骤1：利用分布式光伏电站所在地天气预测信息与历史观测信息，提取大气密度、太阳辐照度、温度、空气湿度、风速特征，使用使用线性函数归一化方法对采集到的数据进行归一化处理；
步骤2：构建基于RBM的DAE网络模型，采用逐层贪婪的训练策略对模型分别进行预训练，具体包括如下过程：
步骤2.1：Xinput为数据归一化后的输入矩阵，每个RBM使用前一个RBM的输出矩阵作为输入矩阵，Wij为预训练所得第i层第j个数据的权值；
步骤2.2：训练编号为0～i的编码器RBM结构内部参数，获得权值矩阵W和偏置值矩阵b1，将预训练好的RBM逐层堆叠，构建对称模型，模型的第1层至第i层称为编码器，编码器的每一层使用对应的Wij作为权值；
步骤2.3：训练编号为i+1～2i的解码器RBM结构内部参数，获得权值矩阵WT和偏置矩阵b2，解码器的第i+1层使用对应的Wi+1,j T作为权值；
步骤2.4：将W、WT和b参数矩阵输入各个RBM网络中；
步骤2.5：使用训练完成的RBM网络构建具有对称结构的DAE模型；
步骤3：由步骤2.2获取第i个编码器的输出矩阵，将获取的编码结果分为训练集和测试集，并构建BP神经网络，使用BP神经网络构建了回归模型用来预测光伏电站发电功率；具体包括如下过程：
步骤3.1：模型分为三层：输入层、隐藏层和输出层，模型的输入为光伏电站数据降维后的输出矩阵X′，输出为光伏电站实时功率预测P′，其中，f(x)为激活函数；
步骤3.2：输入训练集矩阵训练BP神经网络；
步骤3.3：使用BP神经网络微调模型网络参数，将权值更新为W+e及WT+e，使模型最终的输出矩阵P′和历史数据矩阵PH尽可能相同；
步骤4：模型使用测试集矩阵预测出分布式光伏电站发电功率；
步骤5：求解储能电站对各分布式光伏电站的实时功率输送；具体包括如下过程：
步骤5.1：综合考虑分布式光伏电站功率波动幅度、光伏电站和储能电站间线路电能损耗和储能电站平滑光伏电站所获收益条件采用花朵授粉算法：
Figure BDA0003496333870000031
Figure BDA0003496333870000032
Figure BDA0003496333870000033
其中，f是分布式光伏电站发电功率波动幅度，g是集中式储能电站与分布式光伏电站线路电能损耗，z是储能电站平滑分布式光伏电站出力所获收益，aq、bq、cq分别为环境常数，ap、bp、cp分别为弹性系数，n表示决策变量个数，xq表示第q个决策变量；
步骤5.2：设置分布式光伏电站数量为F(每个电站代表一个解)，搜索过程中最大迭代次数Dmax，每个解的取值范围为[min,max],设每个分布式光伏电站搜索方式的转换概率为p，在本模型中p＝0.7，对每个光伏电站建立一个独立档案，存放非支配解，在多目标花粉算法中，每个分布式光伏电站都需建立一个独立档案，用于存放截至到当前找到的非支配解，这个非支配解集合记为
Figure BDA0003496333870000045
其数量为m，全局非支配解放在矩阵J中，J为m×F矩阵，K用来存放全局非支配解对应的函数值,K为m*Fx，Fx为目标函数个数；
步骤5.3：在迭代过程中，对每个分布式光伏电站产生一个非支配功率解；
步骤5.4：产生的非支配功率解与独立档案中的非支配功率解根据目标函数值的加权排序数进行比较；如果目标函数取最大值，每个目标函数按照函数值降序排列，多个目标函数值排序序数和最小的光伏电站为最优的非支配解；
步骤5.5：采用末位淘汰算法，排名靠后的非支配功率解被移出档案；
步骤5.6：记录每个分布式光伏电站的最优非支配功率解，对每个电站产生一个随机数，记为random，其中random为0到1之间的随机数，根据random与p的关系选择电站的迭代方式，如果random＜p，则该储能电站进行全局择优；否则，该储能电站进行局部择优，每个电站只能选择其中一种迭代方式；
步骤5.7：如果第d个电站进行全局择优，首先应当确认当前电站中具有最小加权排序序数的最优功率，记为
Figure BDA0003496333870000041
其次，第d个光伏电站在t代时的功率分配取决于之前的功率分配和最优功率的位置；因此，电站进行全局择优的迭代公式为：
Figure BDA0003496333870000042
其中，
Figure BDA0003496333870000043
和
Figure BDA0003496333870000044
分别表示光伏电站d迭代前分配的功率和迭代后分配的功率；
Figure BDA0003496333870000051
表示在第t次迭代时光伏电站分配所得的最优功率；L为随机步长，服从莱维分布，莱维分布的公式为：
Figure BDA0003496333870000052
Γ(λ)表示标准伽马分布，令λ＝1.5，当s远大于0时，莱维分布是有效的，
Figure BDA0003496333870000053
式中，v是服从标准正态分布的随机数，u是服从高斯分布的随机数，该高斯分布的均值为0；
Figure BDA0003496333870000054
步骤5.8：为了将得到的全局最优解跳出局部最优，对迭代过程得到的全局最优解引入黄金分割点进行变异操作，变异概率设为0.001，迭代后的位置为：
Figure BDA0003496333870000055
步骤5.9：如果针对分布式光伏电站进行局部择优，第d个电站在第t代时的功率分配取决于之前的功率分配和其它两个所选电站的功率分配值；局部择优的迭代公式为：
Figure BDA0003496333870000056
其中，
Figure BDA0003496333870000057
和
Figure BDA0003496333870000058
分别表示光伏电站d迭代前分配的功率和迭代后分配的功率；
Figure BDA0003496333870000059
和
Figure BDA00034963338700000510
表示在t代时从当前光伏电站群体中随机选中的电站e和电站c，且三个电站各不相同；r代表局部择优的随机步长，且r服从(0,1)分布；
步骤5.10：所述最优解为每次迭代后，根据每个电站得到的全局非支配解和
Figure BDA0003496333870000061
中的非支配解的集合，计算每个非支配解对应的聚集值，根据聚集值对非支配解进行排序，实行末位淘汰，
Figure BDA0003496333870000062
中始终保存聚集值较小的m个非支配解，基于聚集值的
Figure BDA0003496333870000063
的光伏电站排序结果记为R，R中电站分别得到各自当前的全局最优功率解，更新下一次迭代时各光伏电站分配的功率值，储能电站对各分布式光伏电站的实时功率输送按此进行分配。
本发明充分提高了电网储能装置利用率并保障电力系统安全运行，实现了能量的合理调度，并根据电网峰谷特点，实现微网的经济运行，具有运行优化、负荷预测、发电预测、微源调度等功能。
附图说明：
图1为本发明所述单个RBM模型示意图；
图2为本发明所述光伏电站功率预测流程图；
图3为发明所述的DAE-BP神经网络流程图；
图4为发明所述的储能电站功率分配流程图。
具体实施方式：
实施例：
多光伏电站共享储能系统平滑出力的控制方法，包括如下过程：
步骤1：利用分布式光伏电站所在地天气预测信息与历史观测信息，提取大气密度、太阳辐照度、温度、空气湿度、风速等特征，由于不同的指标数据量纲不同，导致量纲较大的数据对最终的结果产生较大的影响，而量纲较小数据对结果几乎没于原始有产生影响；不同量纲的数据无论对降维阶段还是对预测阶段都会产生极大的干扰，因此需要将数据统一到同一数量级；因此，使用使用线性函数归一化方法对采集到的数据进行归一化处理：
Figure BDA0003496333870000064
其中，Xi为样本数据集中第i个数据值，Xmax为样本数据集中的数据最大值，Xmin为样本数据集中的数据最小值，X*为归一化后的数据，通过归一化操作，将数据压缩到(0，1)之间，消除大量纲数据对数据降维的影响，在历史天气数据库中寻找N天与预测日的气象条件相同、历史日期相近，M个诸如太阳辐照度、温度等天气特征数据，称为历史相似天气数据，由历史相似天气数据分别得到N*M条历史相似天气曲线；
步骤2：构建基于RBM的DAE网络模型，采用逐层贪婪的训练策略对模型分别进行预训练，具体包括如下过程：
步骤2.1：RBM是由可见层和隐藏层组成的两层结构，Xinput为输入原始数据，每个RBM使用前一个RBM的输出作为输入，Wij为预训练所得第i层第j个数据的权值，以下为单一RBM结构训练步骤：
首先，给定一组关于可见层和隐藏层的初始状态(v,h)，定义该状态下RBM函数为:
Figure BDA0003496333870000071
Eθ(v，h)＝-aTv-bTh-hTWv
其中，a、b、W均为模型初始给定参数矩阵，a表示可见层的偏置矩阵，b表示隐藏层的偏置矩阵，W表示可见层和隐藏层之间的权值矩阵；
基于上式RBM函数，得出(h,v)的联合概率分布：
Figure BDA0003496333870000072
其中θ＝{W,a,b}，在应用中，可见层的概率分布更为重要，因此，可见层的分布函数为：
Figure BDA0003496333870000081
根据此可以求出一组θ，使得可见层的输出和训练样本S的分布近可能相似，定义似然函数：
Figure BDA0003496333870000082
通过求似然函数的最大值可以得到一组最优的参数θ；其中vij为第i个可见层第j个神经元，ns为训练样本的个数；为了计算上式的极大值，需要对其进行求导，求导后的结果中出现(h,v)的联合概率分布P(h|v)；
RBM具有良好的性质：在给定可见层神经元状态的情况下，隐藏层神经元的激活条件独立，同样的，在给定隐藏层神经元状态的条件下，可见层神经元的激活也条件独立；因此，只要合理地设计RBM模型，就可以拟合出任意的离散概率分布；基于RBM的上述性质，在可见层神经元状态已知的情况下，可以得到任意第j个隐藏层神经元激活的概率：
Figure BDA0003496333870000083
其中，σ为神经网络激活函数，令其为sigmoid函数
Figure BDA0003496333870000084
由于RBM只有两层，得到隐藏层神经元的状态后，同理可以计算出可见层神经元的状态，可见层第i个神经元的激活概率为：
Figure BDA0003496333870000085
重复k次使用上述两式可以表示第k次采样结果，得到近似的联合概率分布P(h|v)，k轮循环后即可完成RBM的训练；
步骤2.2：训练编号为0～i的编码器RBM结构内部参数，获得权值矩阵W和偏置值矩阵b，将预训练好的RBM逐层堆叠，构建对称模型，模型的第1层至第i层称为编码器，编码器的第i层第j个神经网络连接线使用对应的Wij作为权值，同理bij代表编码器的第i层第j个偏置值；
步骤2.3：训练编号为i+1～2i的解码器RBM结构内部参数，获得权值矩阵WT和偏置值矩阵bp，解码器的每一层使用对应的Wi+1,j T作为权值；
步骤2.4：将W、WT、b、bp参数矩阵输入各个RBM网络中；
步骤2.5：使用训练完成的RBM网络构建具有对称结构的DAE模型；
步骤3：由步骤2.2获取中间编码器的编码结果，将获取的编码结果分为训练集和测试集，并构建BP神经网络，使用BP神经网络构建了回归模型用来预测光伏电站发电功率；具体过程包括如下步骤：
步骤3.1：模型分为三层：输入层、隐藏层和输出层；模型的输入为光伏电站数据降维后的结果X′，输出为光伏电站实时功率预测P′，其中，f(x)为激活函数；
步骤3.2：输入训练集训练BP神经网络；
步骤3.3：使用BP神经网络微调模型网络参数，将权值更新为W+e，使模型最终的输出P′和历史数据P尽可能相同；
步骤4：模型使用测试集预测出分布式光伏电站发电功率；
步骤5：求解储能电站对各分布式光伏电站的实时功率输送；具体包括如下过程：
步骤5.1：综合考虑分布式光伏电站功率波动幅度、光伏电站和储能电站间线路电能损耗和储能电站平滑光伏电站所获收益等条件采用花朵授粉算法：
Figure BDA0003496333870000101
Figure BDA0003496333870000102
Figure BDA0003496333870000103
其中，f是分布式光伏电站发电功率波动幅度，g是集中式储能电站与分布式光伏电站线路电能损耗，z是储能电站平滑分布式光伏电站出力所获收益，aq、bq、cq分别为环境常数，ap、bp、cp分别为弹性系数，n表示决策变量个数，xq表示第q个决策变量；
Figure BDA0003496333870000104
其中，Q为电站在标准放电条件下放出的总电量，Qt0+Qt代表电站充电情况下充入电荷量，Qt0-Qt代表电站放电情况下放出电荷量电能；
储能电站设备运行约束条件为：
Figure BDA0003496333870000105
Figure BDA0003496333870000106
Figure BDA0003496333870000107
Figure BDA0003496333870000108
Figure BDA0003496333870000109
式中，
Figure BDA00034963338700001010
分别为储能电站向光伏电站d在t时刻的放电功率和光伏电站d向储能电站在t时刻的充电功率，
Figure BDA00034963338700001011
分别为光伏电站d对储能电站的最大充电和放电功率，
Figure BDA0003496333870000111
分别为储能电站在t时刻对光伏电站d的放电指示和光伏电站d对储能电站在t时刻的充电指示，
Figure BDA0003496333870000112
分别为储能电站在一个调度周期初始时刻t0和最后时段T的电能情况；
步骤5.2：设置分布式光伏电站数量为F(每个电站代表一个解)，搜索过程中最大迭代次数Dmax，每个解的取值范围为[min,max],设每个分布式光伏电站搜索方式的转换概率为p，在本模型中p＝0.7，对每个光伏电站建立一个独立档案，存放非支配解，在多目标花粉算法中，每个分布式光伏电站都需建立一个独立档案，用于存放截至到当前找到的非支配解，这个非支配解集合记为
Figure BDA0003496333870000113
其数量为m，全局非支配解放在矩阵J中，J为m×F矩阵，K用来存放全局非支配解对应的函数值,K为m*Fx，Fx为目标函数个数；
步骤5.3：在迭代过程中，对每个分布式光伏电站产生一个非支配解
步骤5.4：产生的非支配解与独立档案中的非支配解根据目标函数值的加权排序数进行比较；如果目标函数取最大值，每个目标函数按照函数值降序排列，多个目标函数值排序序数和最小的光伏电站为最优的非支配解；
步骤5.5：采用末位淘汰算法，排名靠后的非支配解被移出档案；
步骤5.6：记录每个分布式光伏电站的最优非支配解，对每个电站产生一个随机数，记为random，其中random为0到1之间的随机数，根据random与p的关系选择电站的迭代方式，如果random＜p，则该储能电站进行全局择优；否则，该储能电站进行局部择优，每个电站只能选择其中一种迭代方式；
步骤5.7：如果第d个电站进行全局择优，首先应当确认当前电站中具有最小加权排序序数的最优功率，记为
Figure BDA0003496333870000121
其次，第d个光伏电站在t代时的功率分配取决于之前的功率分配和最优功率的位置；因此，电站进行全局择优的迭代公式为：
Figure BDA0003496333870000122
其中，
Figure BDA0003496333870000123
和
Figure BDA0003496333870000124
分别表示光伏电站d迭代前分配的功率和迭代后分配的功率；
Figure BDA0003496333870000125
表示在第t次迭代时光伏电站d分配所得的最优功率；L表示随机步长，服从莱维分布，莱维分布的公式为
Figure BDA0003496333870000126
Γ(λ0表示标准伽马分布，令λ＝1.5，当s远大于0时，莱维分布是有效的，
Figure BDA0003496333870000127
式中，v是服从标准正态分布的随机数，u是服从高斯分布的随机数，该高斯分布的均值为0；
Figure BDA0003496333870000128
步骤5.8：为了将得到的全局最优解跳出局部最优，对迭代过程得到的全局最优解引入黄金分割点进行变异操作，变异概率设为0.001，迭代后的位置为：
Figure BDA0003496333870000129
步骤5.9：如果针对分布式光伏电站进行局部择优，第d个电站在第t代时的功率分配取决于之前的功率分配和其它两个所选电站的功率分配值；局部择优的迭代公式为：
Figure BDA00034963338700001210
其中，
Figure BDA0003496333870000131
和
Figure BDA0003496333870000132
分别表示光伏电站d迭代前分配的功率和迭代后分配的功率；
Figure BDA0003496333870000133
和
Figure BDA0003496333870000134
表示在t代时从当前光伏电站群体中随机选中的个体e和个体c的功率分配值，且三个电站不重复；r代表局部择优的随机步长，且r服从(0,1)分布；
步骤5.10：所述最优解为每次迭代后，根据每个电站得到的全局非支配解和
Figure BDA0003496333870000135
中的非支配解的集合，计算每个非支配解对应的聚集值，根据聚集值对非支配解进行排序，实行末位淘汰，
Figure BDA0003496333870000136
中始终保存聚集值较小的m个非支配解，基于聚集值的
Figure BDA0003496333870000137
的光伏电站排序结果记为R，R中电站分别得到各自当前的全局最优功率解，更新下一次迭代时各光伏电站分配的功率值，储能电站对各分布式光伏电站的实时功率输送按此进行分配。

Claims (1)

1.多光伏电站共享储能系统平滑出力的控制方法，其特征在于，包括如下过程：
步骤1：利用分布式光伏电站所在地天气预测信息与历史观测信息，提取大气密度、太阳辐照度、温度、空气湿度、风速特征，使用线性函数归一化方法对采集到的数据进行归一化处理；
步骤2：构建基于RBM的DAE网络模型，采用逐层贪婪的训练策略对模型分别进行预训练，具体包括如下过程：
步骤2.1：Xinput为数据归一化后的输入矩阵，每个RBM使用前一个RBM的输出矩阵作为输入矩阵，Wij为预训练所得第i层第j个数据的权值；
步骤2.2：训练编号为0～i的编码器RBM结构内部参数，获得权值矩阵W和偏置值矩阵b1，将预训练好的RBM逐层堆叠，构建对称模型，模型的第1层至第i层称为编码器，编码器的每一层使用对应的Wij作为权值；
步骤2.3：训练编号为i+1～2i的解码器RBM结构内部参数，获得权值矩阵WT和偏置矩阵b2，解码器的第i+1层使用对应的Wi+1,j T作为权值；
步骤2.4：将W、WT和b参数矩阵输入各个RBM网络中；
步骤2.5：使用训练完成的RBM网络构建具有对称结构的DAE模型；
步骤3：由步骤2.2获取第i个编码器的输出矩阵，将获取的编码结果分为训练集和测试集，并构建BP神经网络，使用BP神经网络构建了回归模型用来预测光伏电站发电功率；具体包括如下过程：
步骤3.1：模型分为三层：输入层、隐藏层和输出层，模型的输入为光伏电站数据降维后的输出矩阵X′，输出为光伏电站实时功率预测P′，其中，f(x)为激活函数；
步骤3.2：输入训练集矩阵训练BP神经网络；
步骤3.3：使用BP神经网络微调模型网络参数，将权值更新为W+e及WT+e，使模型最终的输出矩阵P′和历史数据矩阵PH尽可能相同；
步骤4：模型使用测试集矩阵预测出分布式光伏电站发电功率；
步骤5：求解储能电站对各分布式光伏电站的实时功率输送；具体包括如下过程：
步骤5.1：综合考虑分布式光伏电站功率波动幅度、光伏电站和储能电站间线路电能损耗和储能电站平滑光伏电站所获收益条件采用花朵授粉算法：
Figure FDA0003496333860000021
Figure FDA0003496333860000022
Figure FDA0003496333860000023
其中，f是分布式光伏电站发电功率波动幅度，g是集中式储能电站与分布式光伏电站线路电能损耗，z是储能电站平滑分布式光伏电站出力所获收益，aq、bq、cq分别为环境常数，ap、bp、Cp分别为弹性系数，n表示决策变量个数，xq表示第q个决策变量；
步骤5.2：设置分布式光伏电站数量为F(每个电站代表一个解)，搜索过程中最大迭代次数Dmax，每个解的取值范围为[min,max],设每个分布式光伏电站搜索方式的转换概率为p，在本模型中p＝0.7，对每个光伏电站建立一个独立档案，存放非支配解，在多目标花粉算法中，每个分布式光伏电站都需建立一个独立档案，用于存放截至到当前找到的非支配解，这个非支配解集合记为
Figure FDA0003496333860000036
其数量为m，全局非支配解放在矩阵J中，J为m×F矩阵，K用来存放全局非支配解对应的函数值,K为m*Fx，Fx为目标函数个数；
步骤5.3：在迭代过程中，对每个分布式光伏电站产生一个非支配功率解；
步骤5.4：产生的非支配功率解与独立档案中的非支配功率解根据目标函数值的加权排序数进行比较；如果目标函数取最大值，每个目标函数按照函数值降序排列，多个目标函数值排序序数和最小的光伏电站为最优的非支配解；
步骤5.5：采用末位淘汰算法，排名靠后的非支配功率解被移出档案；
步骤5.6：记录每个分布式光伏电站的最优非支配功率解，对每个电站产生一个随机数，记为random，其中random为0到1之间的随机数，根据random与p的关系选择电站的迭代方式，如果random＜p，则该储能电站进行全局择优；否则，该储能电站进行局部择优，每个电站只能选择其中一种迭代方式；
步骤5.7：如果第d个电站进行全局择优，首先应当确认当前电站中具有最小加权排序序数的最优功率，记为
Figure FDA0003496333860000031
其次，第d个光伏电站在t代时的功率分配取决于之前的功率分配和最优功率的位置；因此，电站进行全局择优的迭代公式为：
Figure FDA0003496333860000032
其中，
Figure FDA0003496333860000033
和
Figure FDA0003496333860000034
分别表示光伏电站d迭代前分配的功率和迭代后分配的功率；
Figure FDA0003496333860000035
表示在第t次迭代时光伏电站分配所得的最优功率；L为随机步长，服从莱维分布，莱维分布的公式为：
Figure FDA0003496333860000041
Γ(λ)表示标准伽马分布，令λ＝1.5，当s远大于0时，莱维分布是有效的，
Figure FDA0003496333860000042
式中，v是服从标准正态分布的随机数，u是服从高斯分布的随机数，该高斯分布的均值为0；
Figure FDA0003496333860000043
步骤5.8：为了将得到的全局最优解跳出局部最优，对迭代过程得到的全局最优解引入黄金分割点进行变异操作，变异概率设为0.001，迭代后的位置为：
Figure FDA0003496333860000044
步骤5.9：如果针对分布式光伏电站进行局部择优，第d个电站在第t代时的功率分配取决于之前的功率分配和其它两个所选电站的功率分配值；局部择优的迭代公式为：
Figure FDA0003496333860000045
其中，
Figure FDA0003496333860000046
和
Figure FDA0003496333860000047
分别表示光伏电站d迭代前分配的功率和迭代后分配的功率；
Figure FDA0003496333860000048
和
Figure FDA0003496333860000049
表示在t代时从当前光伏电站群体中随机选中的电站e和电站c，且三个电站各不相同；r代表局部择优的随机步长，且r服从(0,1)分布；
步骤5.10：所述最优解为每次迭代后，根据每个电站得到的全局非支配解和
Figure FDA00034963338600000410
中的非支配解的集合，计算每个非支配解对应的聚集值，根据聚集值对非支配解进行排序，实行末位淘汰，
Figure FDA00034963338600000411
中始终保存聚集值较小的m个非支配解，基于聚集值的
Figure FDA0003496333860000051
的光伏电站排序结果记为R，R中电站分别得到各自当前的全局最优功率解，更新下一次迭代时各光伏电站分配的功率值，储能电站对各分布式光伏电站的实时功率输送按此进行分配。
CN202210115810.6A 2022-02-07 2022-02-07 多光伏电站共享储能系统平滑出力的控制方法 Pending CN114444805A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210115810.6A CN114444805A (zh) 2022-02-07 2022-02-07 多光伏电站共享储能系统平滑出力的控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210115810.6A CN114444805A (zh) 2022-02-07 2022-02-07 多光伏电站共享储能系统平滑出力的控制方法

Publications (1)

Publication Number Publication Date
CN114444805A true CN114444805A (zh) 2022-05-06

Family

ID=81371072

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210115810.6A Pending CN114444805A (zh) 2022-02-07 2022-02-07 多光伏电站共享储能系统平滑出力的控制方法

Country Status (1)

Country Link
CN (1) CN114444805A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116307287A (zh) * 2023-05-19 2023-06-23 国网信息通信产业集团有限公司 一种光伏发电有效时段的预测方法、系统及预测终端
CN117096955A (zh) * 2023-10-08 2023-11-21 南京允能日新智慧能源有限公司 一种分布式光伏集群运行控制系统

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116307287A (zh) * 2023-05-19 2023-06-23 国网信息通信产业集团有限公司 一种光伏发电有效时段的预测方法、系统及预测终端
CN116307287B (zh) * 2023-05-19 2023-08-01 国网信息通信产业集团有限公司 一种光伏发电有效时段的预测方法、系统及预测终端
CN117096955A (zh) * 2023-10-08 2023-11-21 南京允能日新智慧能源有限公司 一种分布式光伏集群运行控制系统
CN117096955B (zh) * 2023-10-08 2024-03-19 南京允能日新智慧能源有限公司 一种分布式光伏集群运行控制系统

Similar Documents

Publication Publication Date Title
US11581740B2 (en) Method, system and storage medium for load dispatch optimization for residential microgrid
CN109858673A (zh) 一种光伏发电系统功率预测方法
CN105631558A (zh) 基于相似日的bp神经网络光伏发电系统功率预测方法
CN110729764B (zh) 一种含光伏发电系统的优化调度方法
CN114444805A (zh) 多光伏电站共享储能系统平滑出力的控制方法
CN112215428B (zh) 基于误差修正和模糊逻辑的光伏发电功率预测方法及系统
CN111027775A (zh) 基于长短期记忆网络的梯级水电站发电量预测方法
CN108596242A (zh) 基于小波神经网络和支持向量机的电网气象负荷预测方法
Kolhe et al. GA-ANN for short-term wind energy prediction
CN111626473A (zh) 一种考虑误差修正的两阶段光伏功率预测方法
CN111612244B (zh) 基于qra-lstm的日前光伏功率非参数概率预测方法
CN115860797B (zh) 一种适应新电价改革形势的电量需求预测方法
CN113516271A (zh) 一种基于时空神经网络的风电集群功率日前预测方法
CN114021848A (zh) 一种基于lstm深度学习的发电量需求预测方法
CN113313306A (zh) 一种基于改进灰狼优化算法的弹性神经网络负荷预测方法
CN108075471B (zh) 基于随机性电源出力预测的多目标约束优化电网调度策略
CN115965132A (zh) 基于ga-bp神经网络的分布式光伏数字孪生系统功率预测方法
CN104915727B (zh) 多维度同构异质bp神经网络光功率超短期预测方法
CN115115127A (zh) 一种基于深度学习的低压台区智能调控方法及系统
CN112116171A (zh) 一种新型基于神经网络的光伏发电功率预测方法
CN116418001A (zh) 应对新能源不确定性的水库群多能互补调度方法与系统
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
CN115021331A (zh) 基于贡献系数法的清洁能源基地水风光一体化补偿方法
CN114611757A (zh) 基于遗传算法与改进深度残差网络的电力系统短期负荷预测方法
CN112561252B (zh) 一种含新能源地区电网无功组合评价方法

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