CN116454941A - 一种基于新能源负荷增长预测组合的储能配置方法 - Google Patents
一种基于新能源负荷增长预测组合的储能配置方法 Download PDFInfo
- Publication number
- CN116454941A CN116454941A CN202310322340.5A CN202310322340A CN116454941A CN 116454941 A CN116454941 A CN 116454941A CN 202310322340 A CN202310322340 A CN 202310322340A CN 116454941 A CN116454941 A CN 116454941A
- Authority
- CN
- China
- Prior art keywords
- energy storage
- load
- clustering
- new
- energy
- 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
- 238000004146 energy storage Methods 0.000 title claims abstract description 102
- 238000000034 method Methods 0.000 title claims abstract description 28
- 239000002245 particle Substances 0.000 claims abstract description 6
- 238000012423 maintenance Methods 0.000 claims description 6
- 238000004064 recycling Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 125000004122 cyclic group Chemical group 0.000 claims description 3
- 238000007599 discharging Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 101150067055 minC gene Proteins 0.000 claims 1
- 238000000418 atomic force spectrum Methods 0.000 abstract description 3
- 238000005070 sampling Methods 0.000 abstract 3
- 238000010248 power generation Methods 0.000 description 5
- 229910052799 carbon Inorganic materials 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
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
- H02J3/28—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
-
- 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
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
-
- 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
- H02J3/008—Circuit arrangements for ac mains or ac distribution networks involving trading of energy or energy transmission rights
-
- 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
- H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
- H02J7/0047—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries with monitoring or indicating devices or circuits
- H02J7/0048—Detection of remaining charge capacity or state of charge [SOC]
-
- 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]
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Power Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于源荷增长预测组合的储能配置方法,包括:1、提取日负荷曲线、常规机组与新能源日出力曲线,采集每一采样周期内的日期类型;2、利用k‑means算法按日期类型分别对采样对象进行聚类;3、利用LSTM算法分别对采样对象进行预测,分别形成日负荷、常规机组与新能源日出力的聚类预测结果;4、对步骤3所得结果进行组合,剔除不在同一聚类因素下的聚类预测结果;5、计算不同组合对应的净负荷波动,构建关于源荷两侧不确定性的储能配置模型;6、利用粒子群算法对所建立模型进行求解。本发明能够使源荷侧在中长期运行均增长的前提下,进行储能容量的配置,使电网在中长期运行时段下能够保持功率平衡。
Description
技术领域
本发明属于储能配置技术领域,具体涉及一种基于新能源负荷增长预测组合的储能配置方法。
背景技术
随着电网负荷规模逐渐增长,电网供电侧供电压力逐渐增大。近年来为缓解电网压力,需要采用削峰填谷的措施平衡电力系统的发电侧与负荷侧的功率偏差。
随着双碳计划的提出,我国大力发展新能源,但新能源存在波动性、随机性较大的负面影响,因此现有研究在削峰填谷的基础上,一般单独对新能源发电侧或负荷侧进行处理。但为加快新能源建设,减少传统能源发电带来的污染,新能源装机容量也在逐年增长,因此,若单独对新能源发电侧或负荷侧进行处理,并不能准确地预测中长期时段下的电网功率变化情况。
储能是实现“双碳”目标的重要手段之一,储能控制简单,且利用储能可以有效解决电网两端功率不平衡的问题。因此在预测电网功率变化时,若不同时计及发电侧与负荷侧的功率变化,很可能对储能配置规划产生一定的影响。综上所述,现存的储能配置规划未考虑到两侧功率均发生改变的情况,难以达到储能配置规划的要求。
发明内容
本发明是为了解决上述现有技术存在的不足之处,提出一种基于新能源负荷增长预测组合的储能配置方法,以期能同时考虑负荷侧与新能源出力侧的增长变化,使得所规划的储能装置能在电网中长期运行下使用。
本发明为达到上述发明目的,采用如下技术方案:
本发明一种基于源荷增长预测组合的储能配置方法的特点在于,包括以下步骤:
步骤1:提取历史数据,包括:日负荷曲线、常规机组日出力曲线与新能源机组日出力曲线,以及各曲线对应日期的日期类型,所述日期类型包括:季节类型、工作日与节假日;
步骤2:采集各曲线上的样本数据,并利用k-means算法,按日期类型对不同日期类型下的日负荷样本数据进行聚类,分别得到不同日期类型下的日负荷聚类结果;按季节类型分别对常规机组日出力样本数据和新能源机组日出力样本数据进行聚类,分别得到不同季节类型下常规机组日出力聚类结果和不同季节类型新能源机组日出力聚类结果;
步骤3:将三个聚类结果分别输入LSTM模型中,用于对日负荷与电源侧日出力进行预测,并相应得到日负荷聚类预测结果PL、常规机组日出力聚类预测结果PG、新能源机组日出力聚类预测结果PNew;
步骤4:从p种日负荷聚类预测结果PL,g种常规机组日出力聚类预测结果PG,q种新能源日出力聚类预测结果PNew中剔除非同一种日期类型下的r种聚类预测结果,从而组合出s=p×g×q-r种日负荷对应电源侧日出力聚类预测结果;
步骤5:分别计算每一种日负荷对应电源侧日出力聚类预测结果对应的净负荷波动,并考虑电源侧中新能源日出力与负荷侧存在的不确定性,构建关于源荷两侧不确定性的储能规划模型;
步骤6:利用粒子群优化算法对求解关于源荷两侧不确定性的储能配置模型,从而得到储能配置最优方案。
本发明所述的一种基于源荷增长预测组合的储能配置方法的特点也在于,所述步骤5包括:
步骤5.1:利用式(1)计算第i种聚类预测组合下日负荷对应电源侧日出力聚类预测结果对应的净负荷波动:
ΔPi=PL,i-PG,i-PNew,i (1)
式(1)中,PL,i、PG,i、PNew,i为步骤3得到的第i种聚类预测组合结果对应的负荷聚类预测结果、常规机组出力聚类预测结果和新能源出力聚类预测结果;
步骤5.2:利用式(2)得到第i种聚类预测组合下日负荷对应电源侧日出力聚类预测结果的净负荷功率不确定性rNL,i:
式(3)中,rL,i为第i种聚类预测组合下负荷增长不确定性、rNew,i为第i种聚类预测组合下新能源出力不确定性;
利用式(3)得到考虑不确定性的净负荷波动Prmin、Prmax,并使得储能最大配置容量EE,max在[Prmin,Prmax]内;
步骤5.3:以负荷波动最小为目标,利用式(4)构建关于负荷与新能源出力不确定性的储能配置模型的目标函数:
min Ctotal=Cch+Csys (4)
式(4)中:Ctotal为总配置成本;Cch为储能总成本,并由式(5)得到;Csys为系统运行成本,并由式(6)得到;
式(5)和式(6)中:CC表示储能寿命成本;Cinv为储能建设成本;Cope为储能运行维护成本;μ为折现率;κ为储能寿命周期;CE为储能电池容量成本;CP为单位功率成本;EE为储能总配置容量;PE为储能总配置功率;Co为单位日运行维护成本;Pc为储能日充放电功率;T为预测周期;cG为火电机组运行成本;Con、Coff为火电机组启动、停机成本;cvoll为单位切负荷量成本;为预测周期内t时刻系统切负荷量;cNew为新能源单位弃能惩罚成本;/>为预测周期内t时刻新能源弃能量。
所述储能配置模型中储能总成本Cch=CC+Cinv+Cope;其中,CC表示储能寿命成本,并由式(7)得到;
式(7)中,N为储能在规划周期内总循环次数;Neq,n为储能第n次等效循环,并由式(8)得到,cDOD为电池进行一次深度充放电的成本,并由式(9)得到:
式(8)和式(9)中:Neq为等效系数;Nen为以100%放电深度充放电的电池循环使用次数;cDOD为100%放电深度下的单次循环成本;DDOD为实际循环放电深度,且DDOD=SOC1-SOC2,SOC1表示储能电池充放电的初始电量,SOC2表示储能电池充放电的结束电量;Nroll为100%放电深度下的电池循环使用次数。
利用式(11)-式(19)构建所述储能规划模型的约束条件:
PG,t+PNew,t+βPch,t=PL,t (11)
Pij,t-bij(θi,t-θj,t)=0 (12)
0≤PG,t≤PG,max (13)
0≤PNew,t≤PNew,max (14)
SOCmin≤SOCt≤SOCmax (17)
PE≤PE,max (18)
EE≤EE,max (19)
式(11)-式(19)中:PNew,t、PC,t、PL,t分别为预测t时刻系统的新能源出力、储能出力和负荷,β为储能工作状态,且其中Xin为储能充电状态,Xout为储能放电状态;Pij,t为预测t时刻节点i、j间的功率,bij为节点i、j内的电纳,θi,t、θj,t分别为预测t时刻节点i、j的相角;SOCt为预测t时刻荷电状态,SOCmin、SOCmax分别为电池最大、最小允许放电深度;Emax为储能系统最大允许容量。
本发明一种电子设备,包括存储器以及处理器的特点在于,所述存储器用于存储支持处理器执行所述储能配置方法的程序,所述处理器被配置为用于执行所述存储器中存储的程序。
本发明一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序的特点在于,所述计算机程序被处理器运行时执行所述储能配置方法的步骤。
与现有技术相比,本发明的有益效果在于:
1.本发明采用将聚类算法与预测算法,由于传统预测算法仅考虑时序,而聚类算法一般考虑聚类对象的特征特性,在此基础上,本发明综合两种算法的优点,针对所聚类预测的对象,能够在特性和时序上挖掘对象的变化规律,有效提升了预测精度。
2.本发明同时计算负荷与新能源出力的聚类预测结果,考虑负荷侧与新能源出力侧变化均会对电网线路功率产生影响,通过计算不同结果下的净负荷波动,选取其中最大值作为储能所需配置容量,减少了因两侧功率不平衡导致电网不稳定的可能性。
附图说明
图1为本发明流程图。
具体实施方式
本实施例中,如图1所示,一种基于新能源负荷增长预测组合的储能配置规划方法,包括以下步骤:
步骤1:提取历史数据,历史数据包括日负荷曲线、常规机组出力曲线与新能源日出力曲线,以及对应日期的日期类型,日期类型包括,季节类型、工作日与节假日;
步骤2:采集各曲线上的样本数据,并利用k-means算法,按日期类型对不同日期类型下的日负荷样本数据进行聚类,分别得到不同日期类型下的日负荷聚类结果;按季节类型分别对常规机组日出力样本数据和新能源机组日出力样本数据进行聚类,分别得到不同季节类型下常规机组日出力聚类结果和不同季节类型新能源机组日出力聚类结果;
按步骤1所提的日期类型将日负荷分类,初步设定日负荷类别范围为4~6,按季节类型将常规机组和新能源日出力分类,初步设定常规机组与新能源日出力类别范围均为3~4。针对步骤1获得的日负荷、常规机组与新能源日出力数据,选定类别数k(初始取k1=4,k2=3,k3=3),在日负荷样本数据中随机选取k1条日负荷曲线,在常规机组日出力样本数据中选取k2条常规机组日出力曲线,在新能源日出力样本数据中选取k3条新能源日出力曲线,分别作为日负荷初始聚类中心、常规机组日出力初始聚类中心和新能源日出力初始聚类中心。
利用式(1)分别计算其余样本数据曲线与初始聚类中心的欧式距离,将欧式距离最短的数据曲线与相应聚类中心划为同一类别:
式(1)中:dis为曲线间欧式距离;为初始聚类中心外的第m条曲线;/>为初始聚类中心第n条曲线,n=1~k。
计算同一类别下的平均值,作为新的聚类中心。不断重复步骤2.3和步骤2.4,直到聚类中心基本不再发生改变,输出k(包括k1、k2、k3)类别下的分类结果。
步骤3:以步骤2所得聚类结果作为输入数据,利用LSTM算法分别对日负荷与电源侧日出力进行预测,分别形成日负荷与新能源日出力的聚类预测结果。
以步骤2得到的日负荷聚类结果、常规机组出力聚类结果和新能源出力聚类结果作为数据子集,并按日期对不同分类结果下的数据进行排序。在同一分类结果下,以聚类结果前80%的数据作为训练集,后20%的数据作为预测集,对LSTM模型进行训练。其中LSTM模型具体训练过程如式(2)-式(7)所示;
ft=σ(Wf·[ht-1,xt]+bf) (2)
it=σ(Wi·[ht-1,xt]+bi) (3)
ot=σ(Wi·[ht-1,xt]+bo) (6)
ht=ot*tanh Ct (7)
式中:Wf、Wi、Wo、WC分别问遗忘门、输入门、输出门和状态单元的权重系数,bf、bi、bC、bo为偏移常数,σ为sigmoid函数。
基于训练后的LSTM预测模型,输入当前的日负荷数据、常规机组日出力数据及新能源日出力数据,对未来时序片段的日负荷、常规机组日出力及新能源日出力进行预测。
步骤4:设日负荷聚类预测结果PL有p种,常规机组出力聚类预测结果PG有g种,新能源出力聚类预测结果PNew有q种,剔除非同一聚类因素下的r种结果,组合出p×g×q-r种日负荷对应电源侧日出力结果。
剔除非同一种日期类型下的聚类预测结果为,在步骤2中,按照日期类型将日负荷分类,按照季节类型将常规机组出力和新能源出力分类。在得到聚类结果后,进行步骤3得到聚类后的预测结果,将同一种季节类型下的日负荷聚类预测结果、常规机组出力聚类预测结果和新能源出力聚类预测结果进行组合。所得聚类结果均与季节有关,在对结果组合后,对其进行处理,例如与冬季相关性较大的聚类结果和与夏季相关的聚类结果,不能进行组合,需剔除该组合结果。
步骤5:分别计算步骤4所得不同组合结构对应的净负荷波动,考虑电源侧新能源出力与负荷侧存在的不确定性,构建关于源荷两侧不确定性的储能规划模型。
利用式(8)计算第i种聚类预测组合下日负荷对应电源侧日出力聚类预测结果对应的净负荷波动:
ΔPi=PL,i-PG,i-PNew,i (8)
式(8)中,PL,i、PG,i、PNew,i为步骤3得到的第i种聚类预测组合结果对应的负荷聚类预测结果、常规机组出力聚类预测结果和新能源出力聚类预测结果
利用式(9)得到第i种聚类预测组合下日负荷对应电源侧日出力聚类预测结果的净负荷功率不确定性rNL,i:
式(9)中,rL,i为第i种聚类预测组合下负荷增长不确定性、rNew,i为第i种聚类预测组合下新能源出力不确定性;
利用式(10)得到考虑不确定性的净负荷波动Prmin、Prmax,并使得储能最大配置容量EE,max在[Prmin,Prmax]内;
构建关于负荷与新能源出力不确定性的储能规划模型,目标函数如式(11)所示:
min Ctotal=Cch+Csys (11)
式中:Ctotal为总规划成本;Cch为储能总成本;Csys为系统运行成本;Cinv为储能建设成本;Cope为储能运行维护成本;μ为折现率;κ为储能寿命周期;CE为储能电池容量成本;CP为单位功率成本;EE为储能总配置容量;PE为储能总配置功率;Co为单位日运行维护成本;Pc为储能日充放电功率;cG为火电机组运行成本;Con、Coff为火电机组启动、停机成本;cvoll为单位切负荷量成本;为预测t时刻系统切负荷量;cNew为新能源单位弃能惩罚成本;/>为预测t时刻新能源弃能量。
基于源荷增长预测组合的储能配置模型中储能总成本Cch=CC+Cinv+Cope;其中,CC表示储能寿命成本,并由式(14)得到;
式(14)中,N为储能在规划周期内总循环次数;Neq,n为储能第n次等效循环,并由式(15)得到,cDOD为电池进行一次深度充放电的成本,并由式(16)得到:
式(15)和式(16)中:Neq为等效系数;Nen为以100%放电深度充放电的电池循环使用次数;cDOD为100%放电深度下的单次循环成本。DDOD为实际循环放电深度,且DDOD=SOC1-SOC2,SOC1表示储能电池充放电的初始电量,SOC2表示储能电池充放电的结束电量;Nroll为100%放电深度下的电池循环使用次数。
因此,储能总成本应包括CC,Cch=CC+Cinv+Cope。
约束条件如下:
PG,t+PNew,t+βPch,t=PL,t (17)
Pij,t-bij(θi,t-θj,t)=0 (18)
0≤PG,t≤PG,max (19)
0≤PNew,t≤PNew,max (20)
SOCmin≤SOCt≤SOCmax (23)
PE≤PE,max (24)
EE≤EE,max (25)
式中:式(17)为功率平衡方程,PNew,t、PC,t、PL,t分别为t时刻系统的新能源出力、储能出力和负荷,β为储能工作状态,其中Xin为储能充电状态,Xout为储能放电状态;式(18)为潮流约束,Pij,t为t时刻节点i、j间的功率,bij为节点i、j内的电纳,θi,t、θj,t分别为t时刻节点i、j的相角;式(19)-(20)为常规机组和新能源出力约束;式(21)-(22)为切负荷约束和新能源弃能量约束;式(23)为储能荷电状态约束,SOCt为t时刻荷电状态,SOCmin、SOCmax分别为电池最大、最小允许放电深度;式(24)-(25)为储能配置功率和容量约束条件,Emax为储能系统最大允许容量。
步骤6:利用粒子群优化算法对求解关于源荷两侧不确定性的储能规划模型,从而得到储能配置最优方案,其具体步骤如下:
初始化粒子群参数,包括种族变量、迭代次数等;根据目标函数及约束条件,利用自适应粒子群算法更新种群;每次迭代修正求解速度和惯性因子,避免陷入局部解,更新迭代次数;达到最大迭代次数,结束并输出储能所需配置的容量,否则返回继续优化求解。
本实施例中,一种电子设备,包括存储器以及处理器,该存储器用于存储支持处理器执行上述方法的程序,该处理器被配置为用于执行该存储器中存储的程序。
本实施例中,一种计算机可读存储介质,是在计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行上述方法的步骤。
Claims (6)
1.一种基于源荷增长预测组合的储能配置方法,其特征在于,包括以下步骤:
步骤1:提取历史数据,包括:日负荷曲线、常规机组日出力曲线与新能源机组日出力曲线,以及各曲线对应日期的日期类型,所述日期类型包括:季节类型、工作日与节假日;
步骤2:采集各曲线上的样本数据,并利用k-means算法,按日期类型对不同日期类型下的日负荷样本数据进行聚类,分别得到不同日期类型下的日负荷聚类结果;按季节类型分别对常规机组日出力样本数据和新能源机组日出力样本数据进行聚类,分别得到不同季节类型下常规机组日出力聚类结果和不同季节类型新能源机组日出力聚类结果;
步骤3:将三个聚类结果分别输入LSTM模型中,用于对日负荷与电源侧日出力进行预测,并相应得到日负荷聚类预测结果PL、常规机组日出力聚类预测结果PG、新能源机组日出力聚类预测结果PNew;
步骤4:从p种日负荷聚类预测结果PL,g种常规机组日出力聚类预测结果PG,q种新能源日出力聚类预测结果PNew中剔除非同一种日期类型下的r种聚类预测结果,从而组合出s=p×g×q-r种日负荷对应电源侧日出力聚类预测结果;
步骤5:分别计算每一种日负荷对应电源侧日出力聚类预测结果对应的净负荷波动,并考虑电源侧中新能源日出力与负荷侧存在的不确定性,构建关于源荷两侧不确定性的储能规划模型;
步骤6:利用粒子群优化算法对求解关于源荷两侧不确定性的储能配置模型,从而得到储能配置最优方案。
2.根据权利要求1所述的一种基于源荷增长预测组合的储能配置方法,其特征在于,所述步骤5包括:
步骤5.1:利用式(1)计算第i种聚类预测组合下日负荷对应电源侧日出力聚类预测结果对应的净负荷波动:
ΔPi=PL,i-PG,i-PNew,i (1)
式(1)中,PL,i、PG,i、PNew,i为步骤3得到的第i种聚类预测组合结果对应的负荷聚类预测结果、常规机组出力聚类预测结果和新能源出力聚类预测结果;
步骤5.2:利用式(2)得到第i种聚类预测组合下日负荷对应电源侧日出力聚类预测结果的净负荷功率不确定性rNL,i:
式(3)中,rL,i为第i种聚类预测组合下负荷增长不确定性、rNew,i为第i种聚类预测组合下新能源出力不确定性;
利用式(3)得到考虑不确定性的净负荷波动Prmin、Prmax,并使得储能最大配置容量EE,max在[Prmin,Prmax]内;
步骤5.3:以负荷波动最小为目标,利用式(4)构建关于负荷与新能源出力不确定性的储能配置模型的目标函数:
minCtotal=Cch+Csys (4)
式(4)中:Ctotal为总配置成本;Cch为储能总成本,并由式(5)得到;Csys为系统运行成本,并由式(6)得到;
式(5)和式(6)中:CC表示储能寿命成本;Cinv为储能建设成本;Cope为储能运行维护成本;μ为折现率;κ为储能寿命周期;CE为储能电池容量成本;CP为单位功率成本;EE为储能总配置容量;PE为储能总配置功率;Co为单位日运行维护成本;Pc为储能日充放电功率;T为预测周期;cG为火电机组运行成本;Con、Coff为火电机组启动、停机成本;cvoll为单位切负荷量成本;为预测周期内t时刻系统切负荷量;cNew为新能源单位弃能惩罚成本;/>为预测周期内t时刻新能源弃能量。
3.根据权利要求2所述的一种基于源荷增长预测组合的储能配置方法,其特征在于,所述储能配置模型中储能总成本Cch=CC+Cinv+Cope;其中,CC表示储能寿命成本,并由式(7)得到;
式(7)中,N为储能在规划周期内总循环次数;Neq,n为储能第n次等效循环,并由式(8)得到,cDOD为电池进行一次深度充放电的成本,并由式(9)得到:
式(8)和式(9)中:Neq为等效系数;Nen为以100%放电深度充放电的电池循环使用次数;cDOD为100%放电深度下的单次循环成本;DDOD为实际循环放电深度,且DDOD=SOC1-SOC2,SOC1表示储能电池充放电的初始电量,SOC2表示储能电池充放电的结束电量;Nroll为100%放电深度下的电池循环使用次数。
4.根据权利要求2所述的一种基于源荷增长预测组合的储能配置方法,其特征在于,利用式(11)-式(19)构建所述储能规划模型的约束条件:
PG,t+PNew,t+βPch,t=PL,t (11)
Pij,t-bij(θi,t-θj,t)=0 (12)
0≤PG,t≤PG,max (13)0≤PNew,t≤PNew,max (14)
SOCmin≤SOCt≤SOCmax (17)
PE≤PE,max (18)
EE≤EE,max (19)
式(11)-式(19)中:PNew,t、PC,t、PL,t分别为预测t时刻系统的新能源出力、储能出力和负荷,β为储能工作状态,且其中Xin为储能充电状态,Xout为储能放电状态;Pij,t为预测t时刻节点i、j间的功率,bij为节点i、j内的电纳,θi,t、θj,t分别为预测t时刻节点i、j的相角;SOCt为预测t时刻荷电状态,SOCmin、SOCmax分别为电池最大、最小允许放电深度;Emax为储能系统最大允许容量。
5.一种电子设备,包括存储器以及处理器,其特征在于,所述存储器用于存储支持处理器执行权利要求1-4中任一所述储能配置方法的程序,所述处理器被配置为用于执行所述存储器中存储的程序。
6.一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,其特征在于,所述计算机程序被处理器运行时执行权利要求1-4中任一所述储能配置方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310322340.5A CN116454941A (zh) | 2023-03-29 | 2023-03-29 | 一种基于新能源负荷增长预测组合的储能配置方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310322340.5A CN116454941A (zh) | 2023-03-29 | 2023-03-29 | 一种基于新能源负荷增长预测组合的储能配置方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116454941A true CN116454941A (zh) | 2023-07-18 |
Family
ID=87131394
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310322340.5A Pending CN116454941A (zh) | 2023-03-29 | 2023-03-29 | 一种基于新能源负荷增长预测组合的储能配置方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116454941A (zh) |
-
2023
- 2023-03-29 CN CN202310322340.5A patent/CN116454941A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11581740B2 (en) | Method, system and storage medium for load dispatch optimization for residential microgrid | |
CN112614009B (zh) | 一种基于深度期望q-学习的电网能量管理方法及系统 | |
CN102270309B (zh) | 一种基于集成学习的短期电力负荷预测方法 | |
CN108985515B (zh) | 一种基于独立循环神经网络的新能源出力预测方法及系统 | |
CN110071502B (zh) | 一种短期电力负荷预测的计算方法 | |
CN110198042B (zh) | 一种电网储能的动态优化方法及存储介质 | |
CN111709109B (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 | |
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 | |
CN112329990A (zh) | 一种基于lstm-bp神经网络的用户用电负荷预测方法 | |
CN104217113B (zh) | 基于储能概率模型的独立风光储系统可靠性评估方法 | |
CN110661257B (zh) | 基于天牛群算法的水火联合电力系统最优经济运行策略分析方法 | |
CN110866633A (zh) | 一种基于svr支持向量回归的微电网超短期负荷预测方法 | |
CN115425680A (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 | |
CN114511132A (zh) | 一种光伏出力短期预测方法及预测系统 | |
CN114386681A (zh) | 一种水光出力联合预测方法 | |
CN115186803A (zh) | 一种考虑pue的数据中心算力负荷需求组合预测方法和系统 | |
CN115860192A (zh) | 基于模糊神经网络和遗传算法的供水管网优化调度方法 | |
CN114429248A (zh) | 一种变压器视在功率预测方法 | |
CN117630681A (zh) | 基于组合模型的蓄电池性能预测方法及系统 | |
CN114219126A (zh) | 基于残差修正的小水电渗透地区网供负荷预测方法 | |
CN117833316A (zh) | 一种用户侧储能动态优化运行的方法 | |
CN113112085A (zh) | 一种基于bp神经网络的新能源场站发电负荷预测方法 | |
CN117595231A (zh) | 一种智能电网配网管理系统及其方法 | |
Zhang et al. | Research for SOC prediction of lithium battery based on GA-ESN | |
CN116454941A (zh) | 一种基于新能源负荷增长预测组合的储能配置方法 |
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 |