CN116154875A - 基于tcn和误差函数的光伏电站有功功率优化分配方法 - Google Patents
基于tcn和误差函数的光伏电站有功功率优化分配方法 Download PDFInfo
- Publication number
- CN116154875A CN116154875A CN202310095399.5A CN202310095399A CN116154875A CN 116154875 A CN116154875 A CN 116154875A CN 202310095399 A CN202310095399 A CN 202310095399A CN 116154875 A CN116154875 A CN 116154875A
- Authority
- CN
- China
- Prior art keywords
- inverter
- power
- error
- tcn
- error function
- 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
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
- H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
- H02J3/48—Controlling the sharing of the in-phase component
-
- 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
- H02J3/381—Dispersed 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
- 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
- H02J3/466—Scheduling the operation of the generators, e.g. connecting or disconnecting generators to meet a given 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
- 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/50—Photovoltaic [PV] energy
- Y02E10/56—Power conversion systems, e.g. maximum power point trackers
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及基于TCN和误差函数的光伏电站有功功率优化分配方法,方法包括以下步骤:对光伏电站历史数据提取输入特征;基于输入特征构建为特征集,输入TCN网络进行监督学习,学习目标为逆变器的稳态响应误差,得到特征集与稳态响应误差的函数映射关系,并构建逆变器的误差函数;基于每台逆变器的误差函数,构建光伏电站的有功功率优化分配模型;基于逆变器误差函数的实验结果,对逆变器进行排序分层,根据调度指令调节量的大小,选择参与功率调节逆变器的层级;根据优化分配模型以及逆变器的层级选择结果,计算得到每台逆变器的最优目标功率值,进行有功优化分配。与现有技术相比,本发明调度响应的精度高、分配模型的求解速度快。
Description
技术领域
本发明涉及光伏电站功率优化分配技术领域,尤其是涉及一种基于TCN和误差函数的光伏电站有功功率优化分配方法。
背景技术
如今,随着我国对于光伏、风力等可再生能源的大力推广,新能源场站的并网发电容量不断提高,部分区域的新能源占比已经达到30%,降低了该区域内常规调频资源如水力、火力调频电厂的旋转备用发电容量占比,电源的结构性矛盾不断突出。由于可再生能源出力较强的间歇性和波动性,电网峰谷差增大,对于制定合理的发电计划带来困难。并且,短时间内对于可再生能源出力大小的预测精度难以获得较大提升。因此,需要优化新能源场站参与调度响应时,场站内的功率分配方案,以减少由于调度响应误差而造成的经济损失。
目前,关于集中式光伏电站有功功率优化分配方案的文献较少,分配方案也较为直接。现有技术方案包括:采用平均分配和额定容量等比例分配,是目前光伏电站主要采用的分配方案,但存在响应精度不够高的问题。以减少逆变器的开关机次数为优化目标,采用自由分配策略,延长了逆变器的使用寿命。采用按调节裕度进行功率分配的方案,但光伏逆变器工作在最大功率跟踪(maximum power point tracking,MTTP)模式时,计算实时功率调节裕度的难度较大。基于样本逆变器计算区域发电能力值,通过能力值等比例功率分配的方案和按照多日平均能力曲线分配的方案。目前光伏电站的有功分配方案,往往未能考虑功率调节指令下发后,部分逆变器不能准确调节至目标功率值的问题,且由于累加效应,全站实际出力和调度指令值存在较大偏差。致使光伏电站面临调度惩罚和违约问题,也不利于电网的稳定运行。
传统的功率分配方案,未能充分利用电站内的海量历史数据以及考虑逆变器接收功率调节指令后实际的功率响应误差,全站对调度指令的稳态响应误差较大。时间卷积网络(temporal convolution network,TCN)于2018年被提出,具有强大的时间序列信息挖掘能力,目前在电力系统中已有广泛运用。通过改进的LSTM-TCN网络进行海上风电超短期功率预测。利用TCN网络进行动力电池的实时健康状态评估。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于TCN和误差函数的光伏电站有功功率优化分配方法。
本发明的目的可以通过以下技术方案来实现:
一种基于TCN和误差函数的光伏电站有功功率优化分配方法,所述方法包括以下步骤:
对光伏电站历史数据提取输入特征;
基于输入特征构建为特征集,输入TCN网络进行监督学习,学习目标为逆变器的稳态响应误差,得到特征集与稳态响应误差的函数映射关系,并依据映射关系构建逆变器的误差函数;
基于每台逆变器的误差函数,构建光伏电站的有功功率优化分配模型;
基于逆变器误差函数的实验结果,对逆变器进行排序分层,根据调度指令调节量的大小,选择参与功率调节逆变器的层级;
根据优化分配模型求解结果以及逆变器的层级选择结果,计算得到每台逆变器的最优目标功率值,进行有功优化分配。
进一步的,提取光伏电站历史数据的序列特征步骤包括:
对光伏电站的历史数据中特征与逆变器稳态响应误差的进行相关性分析;选择与响应误差相关性较强的特征作为输入特征。
进一步的,所述逆变器误差函数的构建具体步骤包括:
将每台逆变器对调度指令的历史执行情况和输入特征构成特征集,通过TCN网络挖掘特征集和稳态响应误差的函数映射关系,构建基于TCN的逆变器误差函数表达如下:
式中:i为逆变器的编号;为逆变器i的稳态响应误差;fi(x)为TCN网络发掘的逆变器i的特征集和稳态响应误差之间的函数映射关系;/>和/>分别为逆变器i当前时刻的目标功率值和功率出力值;提取的输入特征包括T、S、H和W分别表示该时刻全站的环境温度、光照强度、环境湿度和天气情况。
进一步的,所述TCN网络采用扩张因果卷积和残差模块构建,输入层经过多个残差模块计算输出值;
所述残差模块包括TCN卷积层、WeightNorm层、激活函数ReLU和Dropout层,并且将输入层的直接映射作为残差链接;
引入1乘1的卷积模块,以保证输出输入的维度相同;
将残差模块不断堆叠构建得到深层TCN网络。
进一步的,所述优化分配模型的目标函数,建立如下:
进一步的,所述优化分配模型的约束条件包括:
光伏电站全站出力值与调度指令值的有功平衡约束:
光伏逆变器的运行出力约束;
进一步的,所述基于逆变器误差函数的实验结果,对逆变器进行排序分层的具体步骤包括:
计算全站的调度指令调节量ΔPT;
判断全站的调度指令调节量ΔPT和全站实时出力Ptotal的比值k和设定的比值阈值的大小关系,获得参与调度响应的逆变器层数;
计算单台逆变器的有功实验调节量ΔPtest;
基于每台逆变器误差函数输出的误差大小生成逆变器误差排序序列,获得当前时刻每一层级具体所包含的逆变器。
进一步的,所述单台逆变器的有功实验调节量ΔPtest的计算公式如下:
式中,N1、N2、N3分别为每层的逆变器数量,K1、K2,Ptotal表示全站实时出力,PT为调度中心下达给光伏电站的调度指令值。
进一步的,所述参与功率调节的逆变器层级基于调度指令调节量和全站出力的相对大小比值与设定比值阈值的关系选择,不参与功率调节的层级中,逆变器维持现有出力。
进一步的,所述每台逆变器的最优目标功率值采用自适应粒子群算法计算。
与现有技术相比,本发明具有以下有益效果:
1)本发明提出的基于逆变器误差函数的光伏电站有功功率分配模型,在利用TCN网络提取海量数据序列特征与逆变器稳态响应误差之间的映射关系,构建逆变器误差函数并将其作为有功分配依据,以提高光伏电站整体对调度响应的精度。
2)本发明对逆变器排序分层,基于调度指令调节量的大小和误差函数的特征,择优选择逆变器参与功率调节任务。将使对功率调节任务执行情况较为优秀的逆变器优先参与调度响应,同时减少寻优算法中待求解变量,提高了分配模型的求解速度。
附图说明
图1为因果卷积及扩张因果卷积示意图,其中,(a)为因果卷积示意图,(b)为扩张因果卷积示意图;
图2为残差模块及深层TCN结构图;
图3为数据特征和稳态调节误差的相关性分析结果示意图;
图4为基于逆变器误差函数的有功功率分配求解流程示意图;
图5为逆变器分层排序流程图;
图6为某光伏电站结构示意图;
图7为应用本发明提供方案全站有功功率响应功率曲线图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
作为本发明的其中一种实施方式,本实施例提供一种基于TCN误差函数的光伏电站功率优化分配方法,包括以下步骤:
从光伏电站历史数据提取输入特征;
基于输入特征构建为特征集,输入TCN网络进行监督学习,学习目标为逆变器的稳态响应误差,得到特征集与稳态响应误差的函数映射关系,并依据映射关系构建逆变器的误差函数;
基于每台逆变器的误差函数,构建光伏电站的有功功率优化分配模型;
基于逆变器误差函数的实验结果,对逆变器进行排序分层,根据调度指令调节量的大小,选择参与功率调节逆变器的层级;
根据优化分配模型求解结果以及逆变器的层级选择结果,计算得到每台逆变器的最优目标功率值,进行有功优化分配。
其中具体过程如下:
(1)基于TCN网络的逆变器误差函数
在不同的工况下,同一台逆变器即使接收到相同的功率调节指令,由于受到环境因素和逆变器工作状态的影响,实际的稳态响应误差也会存在差异,难以直观地建立响应误差和影响因素之间的物理模型。因此,采用数据驱动的方法,引入TCN网络,将每台逆变器对调度指令的历史执行情况和环境因素构成训练特征集,通过深度学习挖掘历史数据特征和响应误差的函数映射关系,构建基于TCN的逆变器误差函数。
1)TCN网络
TCN的基础为全卷积网络,其主要结构融合了适合处理序列信息的因果卷积(causal convolution,CC)和对于历史数据具有较强记忆性的扩张因果卷积(dilatedcausal convolution,DCC)及残差模块(residual connection,RC),是一种主要应用于时间序列学习的神经网络。其特点为:1、卷积网络不同层之间具有因果关系,不会遗漏历史信息和使用未来信息;2、TCN每个输出层都可以保持和输入层一样多的长宽被继续传递,架构可以根据需要调整为任意长度。
因果卷积及扩张因果卷积
因果卷积是TCN网络的基础结构,因果卷积在t时刻的输出值仅由前一卷积层和更早的元素通过卷积计算获得,因此未来的信息不会泄露。但是其的缺陷在于难以捕捉到时间较久的历史信息特征。扩张因果卷积以因果卷积为基础,将扩张系数增大,能够获得更大的感受野,更适合用于处理时间跨度较长、数据量较大的历史数据,其结构图见图1。由于集中式光伏电站的调度指令数据量较大并且时间跨度较长,因此采用扩张因果卷积和残差模块构建TCN网络能够提高计算效率,满足精确、快速响应的要求。
扩张因果卷积使上一层的输入以间隔采样,每层的扩张率d以2的指数增长,有效窗口的大小随着层数呈指数型增长,这使TCN只用较少的层就能捕捉到输入序列中时间间隔较长的数据之间的影响关系。设时间序列为x,扩张因果卷积的表达式为:
式中:d为扩张系数;f为滤波器;s为神经元;k为卷积核的尺寸;f(n)为卷积核中第n条数据;Xs-dn表示只对过去的数据卷积运算。
残差模块
随着TCN网络深度的不断增加,其对于信息之间关联特征的发掘能力会不断增强,但也会带来梯度爆炸、梯度消失等问题。为了解决这类网络退化的问题,需要通过残差模块进行误差修正。
本发明所采用的深层TCN网络结构图见图2,由输入层经过多个残差模块计算输出值。残差模块的主要组成为:TCN卷积层、WeightNorm层、激活函数ReLU和Dropout层,并且将输入层的直接映射作为残差链接。WeightNorm层和Dropout层的作用主要是为了抑制网络噪声,优化网络的训练效果。然后,为了保证输出输入的维度相同,引入了1×1卷积模块。最后,将残差模块不断堆叠即可构建深层TCN网络。
2)用于逆变器误差函数建模的TCN网络特征集
特征选取
在进行逆变器误差函数的构建之前,需要对电站的历史数据进行特征筛选,选择和响应误差相关性较强的数据作为输入特征构建训练特征集,避免将相关性较低的数据输入模型,增大训练噪声。单台逆变器的部分现场功率调节实验数据见表1,信息收集系统采集到的数据特征和逆变器稳态响应误差的皮尔逊相关性分析结果见图3。
表1某光伏逆变器现场功率调节实验数据
注:响应误差百分比为稳态功率响应误差和有功调节量之比。
由相关性分析可知,风速、气压和逆变器稳态响应误差之间呈低相关,环境温度、光照强度、环境湿度、天气情况和稳态响应误差呈中相关,功率出力值、目标功率值和稳态响应误差呈强相关。
因此,本发明将历史数据中每台逆变器的功率出力值、目标功率值和四种环境因素(环境温度、光照强度、环境湿度、天气情况)构建为特征集,输入TCN网络进行监督学习,学习目标为逆变器的稳态响应误差。其中,天气情况(晴天、多云、阴天、降雨、降雪)采用One-hot编码的形式,便于特征的提取。
特征集构建及逆变器误差函数表示
对于单台逆变器的训练特征集,由以下两部分构成:为模型的输入特征,包括6个输入特征,从上至下依次为第t时刻有着相同维度的逆变器功率出力值、目标功率值、环境温度、光照强度、环境湿度、天气情况,i表示逆变器的编号,具体如式(2)所示;Yi TS为模型的输入真实值,即逆变器接收功率调节指令后,最终的稳态响应误差。验证特征集如式(3)所示,仅包括/>部分。
式中:t为逆变器训练特征集中数据序列长度,h为验证特征集数据序列长度。
因此,本发明所描述的输入、输出特征的映射关系即为多维输入特征(功率出力值、目标功率值、环境温度、光照强度、环境湿度、天气情况)和逆变器稳态响应误差的函数映射关系。随着逆变器功率出力值和目标功率值的差值即功率调节量、天气情况或环境湿度数值的上升,响应误差的大小将主要呈上升趋势;随着环境温度和光照强度数值的上升,响应误差的大小将主要呈下降趋势。
映射关系的定量数学表达式即逆变器的误差函数如公式(4)所示。该映射关系将由TCN网络离线训练提取,通过将6个输入特征量输入训练好的TCN网络,即可计算逆变器的稳态响应误差。
式中:i为逆变器的编号;为逆变器i的稳态响应误差;fi(x)为TCN网络发掘的逆变器i的稳态响应误差和输入特征之间的函数映射关系;/>和/>分别为逆变器i当前时刻的目标功率值和功率出力值;T、S、H和W分别为该时刻全站的环境温度、光照强度、环境湿度和天气情况。
(2)基于逆变器误差函数的有功分配模型
1)光伏电站有功功率分配求解过程
本发明提出的基于逆变器误差函数的光伏电站有功功率分配模型,旨在利用上文论述的TCN网络提取海量数据序列特征,构建逆变器误差函数并将其作为有功分配依据,以提高光伏电站整体对调度响应的精度。有功功率分配求解过程如图4所示。
电站的分层判别及逆变器排序模块,将基于调度指令调节量的大小和误差函数的特征,择优选择逆变器参与功率调节任务。逆变器的分层排序思想,将使对功率调节任务执行情况较为优秀的逆变器优先参与调度响应,同时减少寻优算法中待求解变量,提高了分配模型的求解速度。逆变器分层排序的具体流程,将在第(3)节中进行论述。
2)目标函数及约束条件
目标函数
在光伏电站接收到调度指令时,为了降低全站的稳态响应误差,建立目标函数如下:
式中:N为全站的逆变器数量,其余参数和前文公式(4)含义相同。
约束条件
根据上文分析,建立约束条件如下:
1、光伏电站全站出力值与调度指令值的有功平衡约束:
2、光伏逆变器的运行出力约束:
(3)逆变器的分层排序策略
当全站逆变器数量较多时,为了择优选择逆变器参与功率调节,并且减少粒子群算法中的代求变量,本发明将对全站逆变器进行分层排序处理。
1)逆变器的分层策略
分层策略的基本思想为:将全站逆变器划分为不同层级,基于调度指令调节量和全站出力的相对大小,择优选择相应层级的逆变器参与功率调节。
本发明根据逆变器误差函数的函数特征,将全站共N台逆变器划分为3层,每层的逆变器数量分别为N1、N2、N3。当调度指令调节量和当前全站出力ΔPT的比值k小于K1时,仅使用第Ⅰ层N1台逆变器参与功率调节;当k大于K1小于K2时,使用第Ⅰ、Ⅱ层共N1+N2台逆变器参与功率调节;当k大于K2时,第Ⅰ、Ⅱ、Ⅲ层即全站N台逆变器都将参与功率调节任务。不参与功率调节的层级中,逆变器将维持现有出力,即
针对不同逆变器数量规模的光伏电站,需要设置不同的分层数、每层逆变器数量以及K1、K2的参数值。K1和K2的数值取决于各层逆变器可调节容量与全站总容量的比值,以及逆变器误差函数输出的误差分布情况。
2)逆变器的分层排序判别
为了判定每台逆变器所属的层级,将通过平均分配功率调节量的方法,判断逆变器当前时刻对调度响应的优劣程度。本发明将基于逆变器误差函数的实验结果,生成全站逆变器的误差排序序列,划分各台逆变器在当前时刻所属的层级。分层排序的过程中,仅将参数输入误差函数,不会进行实际的功率调节。逆变器的分层排序流程图如图5所示。
具体分层排序流程叙述如下。
步骤1:根据公式(8)计算全站的调度指令调节量ΔPT;
步骤2:判断ΔPT和全站实时出力Ptotal的比值k和K1、K2的大小关系,获得需要参与调度响应的逆变器层数;
步骤3:根据公式(9)计算单台逆变器的有功实验调节量ΔPtest;
步骤5:基于每台逆变器误差函数输出的误差大小生成逆变器误差排序序列,即可获得当前时刻每一层级具体所包含的逆变器。
其中,全站调度指令调节量ΔPT和有功实验调节量ΔPtest和将通过式(8)和式(9)计算。
ΔPT=|Ptotal-PT| (8)
应用实例
(1)算例说明
本实施例中的实验数据集来自于甘肃省张掖市某装机容量为20.3MW的光伏电站,由28台额定容量为500kW,10台额定容量为630kW的逆变器组成。编号1~28的逆变器额定容量为500kW,编号29~38的逆变器额定容量为630kW。调度中心将以主变高压侧为有功功率考核点,主要由箱变、汇集线路和主变的网损构成。光伏电站的结构图见图6。
本发明基于2020年1月至2022年1月电站收集的运行数据构建特征集对各逆变器的误差函数进行训练。针对TCN网络的离线训练和利用自适应PSO算法对每台逆变器功率分配值的在线求解,均在Anaconda3仿真软件平台上完成,程序的编译语言为Python3.6,并且使用Scikit-learn、Keras和TensorFlow等深度学习扩展库,便于神经网络的搭建及求解算法的应用。
(2)仿真结果
1)基于TCN网络对逆变器误差函数的仿真结果
训练数据预处理
在构建逆变器的误差函数之前,需要对训练特征集进行数据预处理,以加强网络的训练效果。针对数据样本中存在噪声的情况,可以采取训练数据集分批处理、数据标准化、优化神经网络结构等方法;针对样本数量不够的情况,可以利用迁移学习、站内数据互补、采用常规方案积累训练数据等方法。
除此之外,为了取得最大的经济效益,光伏电站在不需要参与调度响应时,全站逆变器往往处于MPPT运行状态。因此,在构建逆变器误差函数的特征集之前,需要排除逆变器处于MPPT状态时的历史数据,避免加大训练噪声。优化筛选后,共获得93602个时刻的有效数据,数据集的划分方式为,前98%数据作为训练集,最后2%数据作为验证集。
逆变器误差函数的仿真结果准确性分析
为了验证TCN网络提取出的逆变器误差函数输出调节误差的准确性,需要对每台逆变器神经网络验证集的输出结果进行准确性分析。分别选取长短期记忆网络(long-short term memory,LSTM)和门控循环单元网络(gated recurrent neural network,GRU)作为TCN网络的对比模型;选取均方根误差(root mean squared error,RMSE)和平均绝对百分比误差(mean absolute percentage error,MAPE)作为神经网络离线训练结果的评价指标。应用上述三种神经网络,利用相同训练集进行训练后,每台逆变器验证集的训练结果评价指标和全站评价指标的均值见表2和表3。
表2全站逆变器的验证集模型评价指标
表3全站逆变器误差函数训练结果评价指标均值比较
根据表3的训练结果可知,TCN网络验证集的RMSE和MAPE均值分别为0.06kW和0.8%,相对于传统的神经网络LSTM和GRU拥有更强的时间序列特征提取能力。
上述结果表明,TCN能够较好地总结历史数据,训练提取出的逆变器误差函数能够精确的计算出逆变器的稳态功率响应误差,可以将其作为有功功率分配模型的可靠依据。
2)光伏电站功率分配仿真实验结果
光伏电站的分层设置
为了设置逆变器分层数和每层逆变器的数量,本发明首先统计了功率调节指令的历史数据,获取全站调度指令调节量ΔPT与当时全站有功出力Ptotal的比值k的概率分布情况,统计结果见表4。
表4调度指令调节量和全站出力的比值k的概率分布情况
功率调节量和全站出力比值k | 功率调节量的概率分布 |
0.0~0.1 | 0.5234 |
0.1~0.2 | 0.3660 |
0.2~0.3 | 0.0459 |
0.3~0.4 | 0.0366 |
0.4~0.5 | 0.0202 |
0.5~0.6 | 0.0052 |
0.6~0.7 | 0.0027 |
0.7~0.8 | 0 |
0.8~0.9 | 0 |
0.9~1.0 | 0 |
根据该表可知,调度中心下达功率调节指令的功率调节量普遍偏小,较少出现大功率弃光现象,52.34%调节指令的功率调节量在0~0.1Ptotal之间,36.60%调节指令的功率调节量在0.1Ptotal~0.2Ptotal之间。经过仿真发现,将分层数设置为3层时,调用第一、二层逆变器既能覆盖88.94%的功率调节场景,计算效率也相对较高。然后,根据逆变器误差函数的误差分布情况,基于K-means算法将逆变器分为三类,根据聚类结果N1、N2、N3取值为10、12、16。根据逆变器误差函数的训练结果,设定K1为0.1,K2为0.2。基于上述分层方案,光伏电站在不同运行状态和功率调节情况下的仿真结果如表5所示。
表5本发明方案在不同功率分配情况下的响应情况
注:响应误差百分比为稳态功率响应误差和有功功率调节量之比。
根据表5可知,在不同工况和不同调度指令情况下,本发明的功率分配方案能够自动地根据调度指令调节量的大小,分层级优化选择逆变器参与功率响应,不仅有效地减少了寻优算法的搜索空间,而且稳态响应误差也保持在1.0%以内,功率响应的效果十分良好。
光伏电站全天调度响应仿真及对比分析
为了进一步验证优化效果,分别使用目前常用的平均分配、额定容量等比例分配和本发明的优化分配方案进行全天调度响应的仿真分析。12:30至15:40时间段,电站处于调度响应状态,需要根据调度中心每分钟下达的指令值,不断进行功率调整,其余时间全站逆变器处于MPPT运行状态,不进行功率限制。
本发明方案对调度指令的平均稳态响应误差为17.69kW,相对于平均分配和额定容量等比例分配方案分别降低了70.02%和68.53%;本发明方案的平均响应误差百分比为0.63%,相对于平均分配和额定容量等比例分配方案分别降低了1.48%和1.38%。不同分配方案的全站平均稳态功率响应误差和平均响应误差百分比记录于表6。
表6不同分配方案的全站平均误差和平均误差百分比
图7为应用本发明优化分配方案进行全天调度响应仿真的功率曲线图。当全站逆变器处于MPPT运行状态时,电站的总有功功率目标值将设定为全站的额定功率值,即20.3MW。
根据图7可知,在7:30至12:30和15:40至17:30时间段,由于电网运行相对稳定,光伏电站全站逆变器处于MPPT运行状态,不进行功率限制;12:30至15:40时间段,电站处于限功率运行状态,需要不断根据调度指令值进行功率调整。根据该图可知,在不需要进行功率响应的时间段,光伏电站将以MPPT模式进行最大功率追踪。在功率限制时间段,全站有功出力能够准确跟踪目标功率值。
以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术人员无需创造性劳动就可以根据本发明的构思做出诸多修改和变化。因此,凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案,皆应在由权利要求书所确定的保护范围内。
Claims (10)
1.一种基于TCN和误差函数的光伏电站有功功率优化分配方法,其特征在于,所述方法包括以下步骤:
对光伏电站历史数据提取输入特征;
基于输入特征构建为特征集,输入TCN网络进行监督学习,学习目标为逆变器的稳态响应误差,得到特征集与稳态响应误差的函数映射关系,并依据映射关系构建逆变器的误差函数;
基于每台逆变器的误差函数,构建光伏电站的有功功率优化分配模型;
基于逆变器误差函数的实验结果,对逆变器进行排序分层,根据调度指令调节量的大小,选择参与功率调节逆变器的层级;
根据优化分配模型求解结果以及逆变器的层级选择结果,计算得到每台逆变器的最优目标功率值,进行有功优化分配。
2.根据权利要求1所述的一种基于TCN和误差函数的光伏电站有功功率优化分配方法,其特征在于,提取光伏电站历史数据的序列特征步骤包括:
对光伏电站的历史数据中特征与逆变器稳态响应误差的进行相关性分析;选择与响应误差相关性较强的特征作为输入特征。
4.根据权利要求1所述的一种基于TCN和误差函数的光伏电站有功功率优化分配方法,其特征在于,所述TCN网络采用扩张因果卷积和残差模块构建,输入层经过多个残差模块计算输出值;
所述残差模块包括TCN卷积层、WeightNorm层、激活函数ReLU和Dropout层,并且将输入层的直接映射作为残差链接;
引入1乘1的卷积模块,以保证输出输入的维度相同;
将残差模块不断堆叠构建得到深层TCN网络。
7.根据权利要求1所述的一种基于TCN和误差函数的光伏电站有功功率优化分配方法,其特征在于,所述基于逆变器误差函数的实验结果,对逆变器进行排序分层的具体步骤包括:
计算全站的调度指令调节量ΔPT;
判断全站的调度指令调节量ΔPT和全站实时出力Ptotal的比值k和设定的比值阈值的大小关系,获得参与调度响应的逆变器层数;
计算单台逆变器的有功实验调节量ΔPtest;
基于每台逆变器误差函数输出的误差大小生成逆变器误差排序序列,获得当前时刻每一层级具体所包含的逆变器。
9.根据权利要求1所述的一种基于TCN和误差函数的光伏电站有功功率优化分配方法,其特征在于,所述参与功率调节的逆变器层级基于调度指令调节量和全站出力的相对大小比值与设定比值阈值的关系选择,不参与功率调节的层级中,逆变器维持现有出力。
10.根据权利要求1所述的一种基于TCN和误差函数的光伏电站有功功率优化分配方法,其特征在于,所述每台逆变器的最优目标功率值采用自适应粒子群算法计算。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310095399.5A CN116154875A (zh) | 2023-02-03 | 2023-02-03 | 基于tcn和误差函数的光伏电站有功功率优化分配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310095399.5A CN116154875A (zh) | 2023-02-03 | 2023-02-03 | 基于tcn和误差函数的光伏电站有功功率优化分配方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116154875A true CN116154875A (zh) | 2023-05-23 |
Family
ID=86361413
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310095399.5A Pending CN116154875A (zh) | 2023-02-03 | 2023-02-03 | 基于tcn和误差函数的光伏电站有功功率优化分配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116154875A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117878972A (zh) * | 2024-03-12 | 2024-04-12 | 南京邮电大学 | 一种多光伏源参与的配电网快速频率调节方法和装置 |
-
2023
- 2023-02-03 CN CN202310095399.5A patent/CN116154875A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117878972A (zh) * | 2024-03-12 | 2024-04-12 | 南京邮电大学 | 一种多光伏源参与的配电网快速频率调节方法和装置 |
CN117878972B (zh) * | 2024-03-12 | 2024-05-24 | 南京邮电大学 | 一种多光伏源参与的配电网快速频率调节方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107292766B (zh) | 面向风电消纳的电力系统调峰手段经济性评估方法与系统 | |
CN110729764B (zh) | 一种含光伏发电系统的优化调度方法 | |
CN116187601B (zh) | 一种基于负荷预测的综合能源系统运行优化方法 | |
CN105069521A (zh) | 一种基于加权fcm聚类算法的光伏电站输出功率预测方法 | |
CN110909911B (zh) | 考虑时空相关性的多维时序数据的聚合方法 | |
CN111191854A (zh) | 一种基于线性回归及神经网络的光伏发电预测模型和方法 | |
CN104299173B (zh) | 一种适用于多种能源接入的鲁棒优化日前调度方法 | |
CN115425680B (zh) | 一种多能源联合发电系统的功率预测模型构建及预测方法 | |
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 | |
Sodsong et al. | Short-term solar PV forecasting using gated recurrent unit with a cascade model | |
CN114021848A (zh) | 一种基于lstm深度学习的发电量需求预测方法 | |
CN115115127A (zh) | 一种基于深度学习的低压台区智能调控方法及系统 | |
CN116154875A (zh) | 基于tcn和误差函数的光伏电站有功功率优化分配方法 | |
CN111815039A (zh) | 基于天气分类的周尺度风电功率概率预测方法及系统 | |
CN111260206A (zh) | 一种光伏发电影响因素评价模型、构建方法及应用 | |
CN114301089A (zh) | 一种风光联合发电系统储能容量配置优化方法 | |
CN113255982A (zh) | 一种风光水互补系统中长期优化调度方法 | |
Wang et al. | Short-term wind power prediction based on DBSCAN clustering and support vector machine regression | |
CN116128211A (zh) | 基于风光不确定性预报场景的风光水联合短期优化调度方法 | |
CN112633565B (zh) | 一种光伏功率集合区间预测方法 | |
CN106786800A (zh) | 基于大数据处理含光伏发电的电力系统经济调度分析方法 | |
CN112736905A (zh) | 区域新能源容量优化配置方法及系统 | |
CN112668751A (zh) | 一种机组优化调度模型的建立方法及装置 | |
CN112070303A (zh) | 参数自适应的光伏功率爬坡事件的分级概率性预测方法 | |
CN114548804B (zh) | 基于改进提升树的日前功率预测方法及系统 |
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 |