CN117996816A - 用于风光柴储分队级储能的智能控制方法及系统 - Google Patents
用于风光柴储分队级储能的智能控制方法及系统 Download PDFInfo
- Publication number
- CN117996816A CN117996816A CN202410375854.1A CN202410375854A CN117996816A CN 117996816 A CN117996816 A CN 117996816A CN 202410375854 A CN202410375854 A CN 202410375854A CN 117996816 A CN117996816 A CN 117996816A
- Authority
- CN
- China
- Prior art keywords
- wind
- historical
- energy storage
- data
- load
- 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 69
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000010248 power generation Methods 0.000 claims abstract description 82
- 230000007613 environmental effect Effects 0.000 claims abstract description 38
- 238000007781 pre-processing Methods 0.000 claims abstract description 15
- 238000003062 neural network model Methods 0.000 claims abstract description 10
- 238000005286 illumination Methods 0.000 claims description 36
- 238000004364 calculation method Methods 0.000 claims description 35
- 230000001932 seasonal effect Effects 0.000 claims description 21
- 238000009499 grossing Methods 0.000 claims description 14
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 4
- 239000002283 diesel fuel Substances 0.000 claims 1
- 238000004458 analytical method Methods 0.000 abstract description 2
- 238000012544 monitoring process Methods 0.000 description 4
- 230000000295 complement effect Effects 0.000 description 3
- 230000005611 electricity Effects 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 229910021419 crystalline silicon Inorganic materials 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 239000002803 fossil fuel Substances 0.000 description 1
- GELKBWJHTRAYNV-UHFFFAOYSA-K lithium iron phosphate Chemical compound [Li+].[Fe+2].[O-]P([O-])([O-])=O GELKBWJHTRAYNV-UHFFFAOYSA-K 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及电网供电的技术领域,公开了用于风光柴储分队级储能的智能控制方法及系统,该方法包括以下步骤:获取历史环境参数;对历史环境参数进行预处理;通过神经网络模型计算环境参数的预测值;基于环境参数的预测值计算风光发电数据;采集历史负荷数据与实时负荷数据,进行负荷需求预测;基于负荷需求的预测值和风光发电数据制定柴油发电机的工作方案。本发明通过综合分析和预测环境参数和负荷需求,实现了对风光柴储系统的智能化控制,提高了能源效率,降低了运营成本,同时也有助于环境保护。
Description
技术领域
本发明涉及电网供电的技术领域,具体涉及用于风光柴储分队级储能的智能控制方法及系统。
背景技术
随着全球能源需求的增长和环境保护意识的提升,传统化石燃料的能源结构正逐渐向可再生能源转型。风能和太阳能作为清洁、可再生的能源代表,其开发利用受到了广泛关注。然而,由于风力和太阳辐照本身的间歇性和不确定性,如何有效地管理和调度这些不稳定的能源成为了行业的一大挑战。因此,风光柴储分队级储能系统作为一种综合能源解决方案,应运而生。风光柴储分队级储能是一种集成了风能、太阳能、柴油发电和储能系统的综合能源解决方案。这种系统通常用于微电网或其他分布式能源系统中,以提高能源的可靠性和效率,同时促进可再生能源的使用。其关键组成部分包括风能发电,利用风力发电机将风能转换为电能,为系统提供动力;太阳能发电,通过太阳能光伏板将太阳能转换为电能,增加系统的能源输入;柴油发电机组,在风能和太阳能不足以满足需求时,柴油发电机可以提供额外的电力,确保系统的连续运行;储能系统,通常使用电池储能,如磷酸铁锂电池,存储风能和太阳能产生的过剩电力,并在需要时释放这些能量以稳定电网和满足高峰时段的需求。
尽管风光柴储系统具有巨大的潜力,但在实际运行中仍面临一系列技术和管理上的挑战。风力和太阳能的发电量受天气条件影响较大,导致电力供应的不稳定性。柴油发电机虽然能够提供稳定的备用电力,但其运行成本高且对环境有负面影响。此外,负荷需求的波动性也给能源供应带来了复杂性。
如授权公告号为CN106411230B的中国专利公开了一种风光柴综合发电系统,包括:一次系统和二次系统两部分;其中,一次系统包含风力发电机组、太阳能发电机组、整流模块、汇流模块、直流降压稳压模块、蓄电池、柴油机发电机组、逆变输出模块;二次系统包括控制系统和监控系统,其中监控系统包括就地监控和远程监控。该发明的风光柴综合发电系统根据海岛电力用户的实际情况进行了完善的设计,除了风光发电不足时由柴油发电机进行辅助发电外,还提供了负载分级供电的新理念,最大限度地降低了柴油发电机的使用频率,同时也可降低蓄电池的存储容量。
如公开号为CN114725988A的专利申请公开了一种风光储柴多能互补发电系统,包括用于检测环境状态的环境状态检测系统,所述环境状态检测系统连接有用于风力发电的风力发电系统、用于光伏发电的光伏发电系统以及用于柴油发电的柴油发电系统,所述风力发电系统、光伏发电系统、柴油发电系统共同连接有用于储存和分类记录发电量的发电量记录系统,所述发电量记录系统连接有核心控制器,所述核心控制器连接有用于市电切换的市电切换模块。该风光储柴多能互补发电系统,具备多能互补发电功能,可结合环境情况调整风力、光伏以及柴油发电的发电量占比,从而提高发电的效率和转换率,提高了发电量的同时降低了能耗,保障了发电系统的节能发电。
以上专利都存在本背景技术提出的问题:风力和太阳能的电量供应不稳定性,负荷需求的波动性也给能源供应带来了复杂性。
公开于该背景技术部分的信息仅仅旨在增加对本发明的总体背景的理解,而不应当被视为承认或以任何形式暗示该信息构成已为本领域普通技术人员所公知的现有技术。
发明内容
本发明所要解决的技术问题是克服现有技术的缺陷,提供用于风光柴储分队级储能的智能控制方法及系统,综合分析和预测环境参数和负荷需求,实现对风光柴储系统的智能化控制,提高能源效率,降低运营成本,同时也有助于环境保护。
为解决上述技术问题,本发明提供如下技术方案:
一方面,本发明提供用于风光柴储分队级储能的智能控制方法,包括以下步骤:
S1:获取历史环境参数,包括历史光照强度数据、历史风速数据、历史光伏组件温度数据;
S2:对所述历史环境参数进行预处理;
S3:通过神经网络模型计算环境参数的预测值;
S4:基于所述环境参数的预测值计算风光发电数据;
S5:采集历史负荷数据与实时负荷数据,进行负荷需求预测;
S6:基于负荷需求的预测值和风光发电数据制定柴油发电机的工作方案。
作为本发明所述用于风光柴储分队级储能的智能控制方法的一种优选方案,其中:对所述历史环境参数进行预处理的方法如下:
对所述历史环境参数进行数据清洗;
按时间将历史环境参数划分成长度固定为的区间,计算并记录每个区间的均值,并按时间顺序构建历史环境参数序列,包括历史光照强度序列、历史风速序列、历史光伏组件温度序列;区间长度/>的单位为小时,且/>为正整数。
作为本发明所述用于风光柴储分队级储能的智能控制方法的一种优选方案,其中:所述计算环境参数的预测值的方法如下:
通过传感器采集实时光照强度、实时风速、实时光伏组件温度;
通过互联网获取天气预报数据,包括光照强度预报数据、风速预报数据;
将天气预报数据按时间划分为长度为的区间,计算并记录每个区间的均值,按时间顺序构建光照强度预报序列、风速预报序列;
将历史光照强度序列、历史风速序列、历史光伏组件温度序列、实时光照强度、实时风速、实时光伏组件温度、光照强度预报序列、风速预报序列输入所述神经网络模型,计算并输出未来24小时内每隔的光照强度、风速、光伏组件温度的预测值。
作为本发明所述用于风光柴储分队级储能的智能控制方法的一种优选方案,其中:所述风光发电数据包括未来24小时之中每个长度为的时间区间内光伏发电平均功率与风力发电平均功率;所述负荷需求预测的结果为未来24小时之中每个长度为/>的时间区间内负荷需求值。
作为本发明所述用于风光柴储分队级储能的智能控制方法的一种优选方案,其中:所述光伏发电平均功率的计算公式如下:
;
其中,表示未来第i个长度为/>的时间区间内的光伏发电平均功率;/>表示光电转换效率;/>为大气透明系数;/>为光伏板与水平面的夹角;M为光伏板的数量;/>表示一块光伏板标准测试条件下测试得到的额定发电功率;
表示未来第i个长度为/>的时间区间内的光照强度预测值;/>表示参考光照强度;
k为功率温度系数;表示未来第i个长度为/>的时间区间内光伏组件温度的预测值;/>表示参考光伏组件温度。
作为本发明所述用于风光柴储分队级储能的智能控制方法的一种优选方案,其中:所述风力发电平均功率的计算公式如下:
;
其中,表示未来第i个长度为/>的时间区间内的风力发电平均功率;/>表示未来第i个长度为/>的时间区间内风速的预测值;/>表示风机的切入风速,/>表示风机的额定风速,/>表示风机的切出风速,/>表示风机的额定输出功率;N为风机的台数;/>表示风电转换效率;/>表示实际的空气密度,/>表示标准空气密度。
作为本发明所述用于风光柴储分队级储能的智能控制方法的一种优选方案,其中:所述进行负荷需求预测的方法如下:
S501:采集时间上连续的历史负荷数据,并划分为长度为的区间,计算并记录每个区间的历史负荷均值,按时间顺序构建历史负荷序列;
S502:建立负荷预测模型,方程如下:
;
其中,表示未来第i个长度为/>的时间区间内的负荷需求值;
表示第i-1个时间区间的水平因子;/>表示第i-1个时间区间的趋势因子;表示第i个时间区间的季节因子,/>表示前一天第i个时间区间的季节因子;
所述水平因子的计算公式如下:
;
其中,表示水平因子的平滑参数,/>表示第i个时间区间的实时负荷;
所述趋势因子的计算公式如下:
;
其中,表示趋势因子的平滑参数;
所述季节因子的计算公式如下:
;
其中,表示季节因子的平滑参数;
S503:计算水平因子、季节因子、趋势因子的初始值;
所述水平因子,其初始值记作,令/>的取值等于所述历史负荷序列的第一个历史负荷的取值;
所述季节因子,其初始值记作,计算公式如下:
;
其中,表示历史负荷序列中第p个历史负荷的取值;/>表示历史负荷数据中第1天的部分;/>表示历史负荷数据中第2天的部分;
所述趋势因子的初始值计算公式如下:
;
其中,表示所述历史负荷数据中第j天的部分的趋势因子的初始值;/>表示所述历史负荷数据中第j天的第q个历史负荷的取值;j的取值范围为1,2,……,H,H为历史负荷数据涵盖的天数,且为正整数;
S504:优化模型参数;
包括对水平因子的平滑参数、季节因子的平滑参数、趋势因子的平滑参数进行优化,得到、/>、/>的最优解;
S505:采集实时负荷数据,使用模型进行负荷预测并更新历史负荷序列和模型参数。
作为本发明所述用于风光柴储分队级储能的智能控制方法的一种优选方案,其中:所述柴油发电机的工作方案的制定方法如下:
根据所述风光发电数据与负荷需求值,计算未来第i个长度为的时间区间内的可用电量/>与所需电量/>,i的取值范围为1,2,……,/>;
若,则在第i个长度为/>的时间区间内,不启动柴油发电机;
若,则在第i个长度为/>的时间区间内启动柴油发电机向用户供电,且平均供电功率为/>;
所述可用电量的计算公式如下:
;
其中,表示第i个长度为/>的时间区间内的风力发电平均功率;/>表示第i-1个长度为/>的时间区间右端点对应的时间点上的储能电池电量;
所述所需电量的计算公式如下:
;
其中,表示第i个长度为/>的时间区间内的负荷需求值;/>表示储能电池的备用电量。
作为本发明所述用于风光柴储分队级储能的智能控制方法的一种优选方案,其中:所述储能电池电量的计算公式如下:
;
其中,表示储能电池最大电量;/>表示第i个长度为/>的时间区间内的溢出发电量,计算公式如下:
;
其中,为储能电池的充电损耗系数;i的取值范围为1,2,……,/>;测量当前的储能电池电量,记作/>。
第二方面,本发明提供用于风光柴储分队级储能的智能控制系统,包括数据采集模块、预处理模块、神经网络模块、发电数据模块、需求预测模块、柴油方案模块;其中:
数据采集模块用于获取历史环境参数以及实时环境参数、历史负荷数据和实时负荷数据、天气预报数据;
预处理模块用于对历史环境参数进行预处理;
神经网络模块用于计算环境参数的预测值;
发电数据模块用于计算风光发电数据;
需求预测模块用于建立负荷预测模型并进行负荷需求预测;
柴油方案模块用于制定柴油发电机的工作方案。
与现有技术相比,本发明所达到的有益效果如下:
通过对历史环境参数,包括光照强度、风速、光伏组件温度的采集和分析,可以更准确地预测未来的环境条件,从而为风光发电数据的计算提供更可靠的数据支持;基于预测的环境参数计算风光发电数据,辅助优化能源的分配和使用,提高系统的能源效率。
结合历史和实时负荷数据进行预测,可以更准确地了解未来的能源需求,从而更好地满足用户需求。通过综合考虑负荷需求预测值和风光发电数据,实现数据驱动的决策制定,从而生成更为合理的柴油发电机工作方案,减少不必要的能源浪费,降低运营成本,并且能够减少碳排放,有助于环境保护。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。其中:
图1为本发明提供的用于风光柴储分队储能的智能控制方法的流程图;
图2为本发明提供的用于风光柴储分队储能的智能控制系统的结构示意图;
图3为本发明提供的用于计算环境参数预测值的神经网络模型的结构示意图。
具体实施方式
下面通过附图以及具体实施例对本发明技术方案做详细地说明,应当理解本发明实施例以及实施例中的具体特征是对本发明技术方案的详细的说明,而不是对本发明技术方案的限定,在不冲突的情况下,本发明实施例以及实施例中的技术特征可以相互组合。
实施例1
本实施例介绍一种用于风光柴储分队级储能的智能控制方法,参照图1,该方法包括以下步骤:
S1:获取历史环境参数,包括历史光照强度数据、历史风速数据、历史光伏组件温度数据;
S2:对所述历史环境参数进行预处理;方法如下:
对所述历史环境参数进行数据清洗;
按时间将历史环境参数划分成长度固定为的区间,计算并记录每个区间的均值,并按时间顺序构建历史环境参数序列,包括历史光照强度序列、历史风速序列、历史光伏组件温度序列;区间长度/>的单位为小时,且/>为正整数;
S3:通过神经网络模型计算环境参数的预测值;方法如下:
通过传感器采集实时光照强度、实时风速、实时光伏组件温度;
通过互联网获取天气预报数据,包括光照强度预报数据、风速预报数据;
将天气预报数据按时间划分为长度为的区间,计算并记录每个区间的均值,按时间顺序构建光照强度预报序列、风速预报序列;
将历史光照强度序列、历史风速序列、历史光伏组件温度序列、实时光照强度、实时风速、实时光伏组件温度、光照强度预报序列、风速预报序列输入所述神经网络模型,计算并输出未来24小时内每隔的光照强度、风速、光伏组件温度的预测值。如图3所示,所述神经网络模型包括输入层、隐藏层、输出层。
S4:基于所述环境参数的预测值计算风光发电数据;
所述风光发电数据包括未来24小时之中每个长度为的时间区间内光伏发电平均功率与风力发电平均功率;所述负荷需求预测的结果为未来24小时之中每个长度为/>的时间区间内负荷需求值;
所述光伏发电平均功率的计算公式如下:
;
其中,表示未来第i个长度为/>的时间区间内的光伏发电平均功率;/>表示光电转换效率,由实验测得;光伏电池板会因为表面污垢而导致效率降低,还有在使用过程中一些设备的老化等最终都会间接地影响到光伏电池的输出功率。
为大气透明系数;表示大气对太阳辐射吸收和散射能力的无量纲指数,通过本领域技术人员实验测得;/>为光伏板与水平面的夹角;M为光伏板的数量;
表示未来第i个长度为/>的时间区间内的光照强度预测值;/>表示参考光照强度,/>;
k为功率温度系数;通常晶硅光伏设备的功率温度系数为;
表示未来第i个长度为/>的时间区间内光伏组件温度的预测值;/>表示参考光伏组件温度,/>;
表示一块光伏板标准测试条件下测试得到的额定发电功率,由本领域的技术人员通过实验测定;
所述风力发电平均功率的计算公式如下:
;
其中,表示未来第i个长度为/>的时间区间内的风力发电平均功率;/>表示未来第i个长度为/>的时间区间内风速的预测值;/>表示风机的切入风速,/>表示风机的额定风速,/>表示风机的切出风速,/>表示风机的额定输出功率,均由风机的出厂参数确定;
N为风机的台数;表示风电转换效率,由实验测得;
表示实际的空气密度,/>表示标准空气密度,取值为/>;
S5:采集历史负荷数据与实时负荷数据,进行负荷需求预测;方法如下:
S501:采集时间上连续的历史负荷数据,并划分为长度为的区间,计算并记录每个区间的历史负荷均值,按时间顺序构建历史负荷序列;
S502:建立负荷预测模型,方程如下:
;
其中,表示未来第i个长度为/>的时间区间内的负荷需求值;
表示第i-1个时间区间的水平因子;/>表示第i-1个时间区间的趋势因子;表示第i个时间区间的季节因子,/>表示前一天第i个时间区间的季节因子,即比/>对应的时间区间早24小时的时间区间的季节因子。
所述水平因子的计算公式如下:
;
其中,表示水平因子的平滑参数,/>表示第i个时间区间的实时负荷;
所述趋势因子的计算公式如下:
;
其中,表示趋势因子的平滑参数;
所述季节因子的计算公式如下:
;
其中,表示季节因子的平滑参数;
S503:计算水平因子、季节因子、趋势因子的初始值;
所述水平因子,其初始值记作,令/>的取值等于所述历史负荷序列的第一个历史负荷的取值;
所述季节因子,其初始值记作,计算公式如下:
;
其中,表示历史负荷序列中第p个历史负荷的取值;/>表示历史负荷数据中第1天的部分;/>表示历史负荷数据中第2天的部分;
所述趋势因子的初始值计算公式如下:
;
其中,表示所述历史负荷数据中第j天的部分的趋势因子的初始值;/>表示所述历史负荷数据中第j天的第q个历史负荷的取值;j的取值范围为1,2,……,H,H为历史负荷数据涵盖的天数,且为正整数;
S504:优化模型参数;
包括对水平因子的平滑参数、季节因子的平滑参数、趋势因子的平滑参数进行优化,采用牛顿法来最小化所述负荷预测模型的预测误差,得到、/>、/>的最优解;
S505:采集实时负荷数据,使用模型进行负荷预测并更新历史负荷序列和模型参数;
将采集的实时负荷数据加入到历史负荷数据,计算并记录水平因子、趋势因子、季节因子。
无论是商业用电还是居民用电负荷,均有极强的周期性,负荷大小会随着时间出现变化。负荷数据对时间、天气、季节等因素敏感,这些显性因素和其他不可测量的因素一起,使得负荷数据有明显规律而局部细节又变化多端。在负荷预测中,需要考虑这些因素进行合理建模。
S6:基于负荷需求的预测值和风光发电数据制定柴油发电机的工作方案。
所述柴油发电机的工作方案的制定方法如下:
根据所述风光发电数据与负荷需求值,计算未来第i个长度为的时间区间内的可用电量/>与所需电量/>,i的取值范围为1,2,……,/>;
若,则在第i个长度为/>的时间区间内,不启动柴油发电机;
若,则在第i个长度为/>的时间区间内启动柴油发电机向用户供电,且平均供电功率为/>。
所述可用电量的计算公式如下:
;
其中,表示第i个长度为/>的时间区间内的风力发电平均功率;/>表示第i-1个长度为/>的时间区间右端点对应的时间点上的储能电池电量,以/>时间内的平均放电功率表示;
所述所需电量的计算公式如下:
;
其中,表示第i个长度为/>的时间区间内的负荷需求值;/>表示储能电池的备用电量;设置为储能电池最大容量的10%,以放电功率的形式表示,即将储能电池最大容量10%对应的电量在/>内放至最低所需的平均功率。风光柴储系统在运行过程中不仅要满足负荷正常的运行,还需要保有一定的备用容量,一方面可以保证系统的电压和频率在可控范围内,另一方面因实际运行状况和方案总是会存在一定的误差,备用容量可以保证负荷的正常运转;此外系统也可能出现故障问题,留有备用容量可以不影响用户的正常供电或者提供一定缓冲修复时间。
所述储能电池电量的计算公式如下:
;
其中,表示储能电池最大电量,以/>时间内的平均放电功率表示;/>表示第i个长度为/>的时间区间内的溢出发电量,计算公式如下:
;
其中,为储能电池的充电损耗系数,由实验测得;i的取值范围为1,2,……,/>;在风光柴储能系统中,当风力发电和光伏发电产生多余电量进行蓄电池充电时,会有一定的充电功率损耗。这包括充电器的损耗、电池内部电阻的损耗等,可以通过实际测量或厂家提供的数据来获取。
测量当前的储能电池电量,记作;所述储能电池电量以功率的形式表示,测量方法如下:通过电池管理系统BMS读取储能电池当前的剩余容量,并计算在/>的时间内,对电池进行放电直至电池容量降低至最低,所需的平均放电功率,作为所述当前的储能电池电量。
实施例2
本实施例为本发明的第二个实施例;与实施例1基于相同的发明构思,参照图2,本实施例介绍一种用于风光柴储分队级储能的智能控制系统,包括数据采集模块、预处理模块、神经网络模块、发电数据模块、需求预测模块、柴油方案模块;其中:
数据采集模块用于获取历史环境参数,包括历史光照强度数据、历史风速数据、历史光伏组件温度数据,以及实时环境参数,历史负荷数据和实时负荷数据,天气预报数据。该模块可以通过与外部传感器以及数据库连接来获取这些数据。
预处理模块用于对采集到的历史环境参数进行预处理,包括数据清洗、去噪、归一化等操作,确保数据的准确性和可用性,以输入到后续的计算模型中,并构建历史环境参数序列。
神经网络模块用于计算环境参数的预测值。该模块根据预处理后的历史环境参数、以及天气预报数据进行学习并训练一个预测模型,用于预测未来的环境参数,包括光照强度、风速和光伏组件温度。
发电数据模块用于计算风光发电数据;该模块基于神经网络模型计算得到的环境参数的预测值,结合风光发电系统技术特性,计算风光发电数据,包括预期的风力发电量和光伏发电量。
需求预测模块用于建立负荷预测模型并进行负荷需求预测;该模块利用历史负荷数据和实时负荷数据,通过数据分析和建模,建立并优化负荷预测模型,然后进行负荷需求的预测,预测未来某一时段内的负荷需求情况。
柴油方案模块用于制定柴油发电机的工作方案;该模块基于负荷需求的预测值和风光发电数据,确定柴油发电机的启动、运行和停止时机以及输出功率,以满足系统对电力的需求,提供稳定的电力供应。
上述各模块的具体功能实现参考实施例1所述的用于风光柴储分队级储能的智能控制方法中的相关内容,不予赘述。
以上结合附图对本发明的实施例进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可做出很多形式,这些均属于本发明的保护之内。
Claims (10)
1.用于风光柴储分队级储能的智能控制方法,其特征在于:包括以下步骤:
S1:获取历史环境参数,包括历史光照强度数据、历史风速数据、历史光伏组件温度数据;
S2:对所述历史环境参数进行预处理;
S3:通过神经网络模型计算环境参数的预测值;
S4:基于所述环境参数的预测值计算风光发电数据;
S5:采集历史负荷数据与实时负荷数据,进行负荷需求预测;
S6:基于负荷需求的预测值和风光发电数据制定柴油发电机的工作方案。
2.如权利要求1所述的用于风光柴储分队级储能的智能控制方法,其特征在于:对所述历史环境参数进行预处理的方法如下:
对所述历史环境参数进行数据清洗;
按时间将历史环境参数划分成长度固定为的区间,计算并记录每个区间的均值,并按时间顺序构建历史环境参数序列,包括历史光照强度序列、历史风速序列、历史光伏组件温度序列;区间长度/>的单位为小时,且/>为正整数。
3.如权利要求2所述的用于风光柴储分队级储能的智能控制方法,其特征在于:所述计算环境参数的预测值的方法如下:
通过传感器采集实时光照强度、实时风速、实时光伏组件温度;
通过互联网获取天气预报数据,包括光照强度预报数据、风速预报数据;
将天气预报数据按时间划分为长度为的区间,计算并记录每个区间的均值,按时间顺序构建光照强度预报序列、风速预报序列;
将历史光照强度序列、历史风速序列、历史光伏组件温度序列、实时光照强度、实时风速、实时光伏组件温度、光照强度预报序列、风速预报序列输入所述神经网络模型,计算并输出未来24小时内每隔的光照强度、风速、光伏组件温度的预测值。
4.如权利要求3所述的用于风光柴储分队级储能的智能控制方法,其特征在于:所述风光发电数据包括未来24小时之中每个长度为的时间区间内光伏发电平均功率与风力发电平均功率;所述负荷需求预测的结果为未来24小时之中每个长度为/>的时间区间内负荷需求值。
5.如权利要求4所述的用于风光柴储分队级储能的智能控制方法,其特征在于:所述光伏发电平均功率的计算公式如下:
;
其中,表示未来第i个长度为/>的时间区间内的光伏发电平均功率;/>表示光电转换效率;/>为大气透明系数;/>为光伏板与水平面的夹角;M为光伏板的数量;/>表示一块光伏板标准测试条件下测试得到的额定发电功率;
表示未来第i个长度为/>的时间区间内的光照强度预测值;/>表示参考光照强度;
k为功率温度系数;表示未来第i个长度为/>的时间区间内光伏组件温度的预测值;表示参考光伏组件温度。
6.如权利要求5所述的用于风光柴储分队级储能的智能控制方法,其特征在于:所述风力发电平均功率的计算公式如下:
;
其中,表示未来第i个长度为/>的时间区间内的风力发电平均功率;/>表示未来第i个长度为/>的时间区间内风速的预测值;/>表示风机的切入风速,/>表示风机的额定风速,/>表示风机的切出风速,/>表示风机的额定输出功率;N为风机的台数;/>表示风电转换效率;/>表示实际的空气密度,/>表示标准空气密度。
7.如权利要求6所述的用于风光柴储分队级储能的智能控制方法,其特征在于:所述进行负荷需求预测的方法如下:
S501:采集时间上连续的历史负荷数据,并划分为长度为的区间,计算并记录每个区间的历史负荷均值,按时间顺序构建历史负荷序列;
S502:建立负荷预测模型,方程如下:
;
其中,表示未来第i个长度为/>的时间区间内的负荷需求值;
表示第i-1个时间区间的水平因子;/>表示第i-1个时间区间的趋势因子;/>表示第i个时间区间的季节因子,/>表示前一天第i个时间区间的季节因子;
所述水平因子的计算公式如下:
;
其中,表示水平因子的平滑参数,/>表示第i个时间区间的实时负荷;
所述趋势因子的计算公式如下:
;
其中,表示趋势因子的平滑参数;
所述季节因子的计算公式如下:
;
其中,表示季节因子的平滑参数;
S503:计算水平因子、季节因子、趋势因子的初始值;
所述水平因子,其初始值记作,令/>的取值等于所述历史负荷序列的第一个历史负荷的取值;
所述季节因子,其初始值记作,计算公式如下:
;
其中,表示历史负荷序列中第p个历史负荷的取值;/>表示历史负荷数据中第1天的部分;/>表示历史负荷数据中第2天的部分;
所述趋势因子的初始值计算公式如下:
;
其中,表示所述历史负荷数据中第j天的部分的趋势因子的初始值;/>表示所述历史负荷数据中第j天的第q个历史负荷的取值;j的取值范围为1,2,……,H,H为历史负荷数据涵盖的天数,且为正整数;
S504:优化模型参数;
包括对水平因子的平滑参数、季节因子的平滑参数、趋势因子的平滑参数进行优化,得到、/>、/>的最优解;
S505:采集实时负荷数据,使用模型进行负荷预测并更新历史负荷序列和模型参数。
8.如权利要求7所述的用于风光柴储分队级储能的智能控制方法,其特征在于:所述柴油发电机的工作方案的制定方法如下:
根据所述风光发电数据与负荷需求值,计算未来第i个长度为的时间区间内的可用电量/>与所需电量/>,i的取值范围为1,2,……,/>;
若,则在第i个长度为/>的时间区间内,不启动柴油发电机;
若,则在第i个长度为/>的时间区间内启动柴油发电机向用户供电,且平均供电功率为/>;
所述可用电量的计算公式如下:
;
其中,表示第i个长度为/>的时间区间内的风力发电平均功率;/>表示第i-1个长度为/>的时间区间右端点对应的时间点上的储能电池电量;
所述所需电量的计算公式如下:
;
其中,表示第i个长度为/>的时间区间内的负荷需求值;/>表示储能电池的备用电量。
9.如权利要求8所述的用于风光柴储分队级储能的智能控制方法,其特征在于:所述储能电池电量的计算公式如下:
;
其中,表示储能电池最大电量;/>表示第i个长度为/>的时间区间内的溢出发电量,计算公式如下:
;
其中,为储能电池的充电损耗系数;i的取值范围为1,2,……,/>;测量当前的储能电池电量,记作/>。
10.用于风光柴储分队级储能的智能控制系统,其基于权利要求1-9中任一项所述的用于风光柴储分队级储能的智能控制方法实现,其特征在于:包括数据采集模块、预处理模块、神经网络模块、发电数据模块、需求预测模块、柴油方案模块;其中:
数据采集模块用于获取历史环境参数以及实时环境参数、历史负荷数据和实时负荷数据、天气预报数据;
预处理模块用于对历史环境参数进行预处理;
神经网络模块用于计算环境参数的预测值;
发电数据模块用于计算风光发电数据;
需求预测模块用于建立负荷预测模型并进行负荷需求预测;
柴油方案模块用于制定柴油发电机的工作方案。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410375854.1A CN117996816A (zh) | 2024-03-29 | 2024-03-29 | 用于风光柴储分队级储能的智能控制方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410375854.1A CN117996816A (zh) | 2024-03-29 | 2024-03-29 | 用于风光柴储分队级储能的智能控制方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117996816A true CN117996816A (zh) | 2024-05-07 |
Family
ID=90900700
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410375854.1A Pending CN117996816A (zh) | 2024-03-29 | 2024-03-29 | 用于风光柴储分队级储能的智能控制方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117996816A (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7987106B1 (en) * | 2006-06-05 | 2011-07-26 | Turgut Aykin | System and methods for forecasting time series with multiple seasonal patterns |
CN104950920A (zh) * | 2015-06-18 | 2015-09-30 | 郑琪炜 | 一种提高转换效率的太阳能电池板倾斜角选取方法 |
WO2016131885A1 (de) * | 2015-02-20 | 2016-08-25 | Alpiq Intec Ag | Vorsorgliches einspeisen zwischengespeicherter energie in energieversorgungsnetz basierend auf energieverfügbarkeitsvorhersage und energieversorgungssicherheit |
CN107341697A (zh) * | 2017-07-18 | 2017-11-10 | 江苏仲博敬陈信息科技有限公司 | 一种基于大数据的需求与供给预测方法 |
US20190034821A1 (en) * | 2017-07-26 | 2019-01-31 | Dell Products L.P. | Forecasting Run Rate Revenue with Limited and Volatile Historical Data Using Self-Learning Blended Time Series Techniques |
CN112488396A (zh) * | 2020-12-01 | 2021-03-12 | 国网福建省电力有限公司 | 基于小波变换的Holt-Winters和LSTM组合模型的电力负荷预测方法 |
CN112865201A (zh) * | 2021-04-13 | 2021-05-28 | 珠海汇众能源科技有限公司 | 一种微电网和电动汽车v2g互动提升能量利用率的方法 |
WO2022106297A1 (en) * | 2020-11-20 | 2022-05-27 | Unilever Ip Holdings B.V. | Univariate forecasting |
CN115566667A (zh) * | 2022-09-20 | 2023-01-03 | 四川中电启明星信息技术有限公司 | 一种基于深度指数平滑网络的短期负荷预测方法 |
CN115796492A (zh) * | 2022-11-14 | 2023-03-14 | 国网福建省电力有限公司 | 一种混合储能系统的微电网调度方法及终端 |
US20240030705A1 (en) * | 2022-06-14 | 2024-01-25 | State Grid Information & Telecommunication Group Co., Ltd. | Interpretable power load prediction method, system and terminal machine |
-
2024
- 2024-03-29 CN CN202410375854.1A patent/CN117996816A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7987106B1 (en) * | 2006-06-05 | 2011-07-26 | Turgut Aykin | System and methods for forecasting time series with multiple seasonal patterns |
WO2016131885A1 (de) * | 2015-02-20 | 2016-08-25 | Alpiq Intec Ag | Vorsorgliches einspeisen zwischengespeicherter energie in energieversorgungsnetz basierend auf energieverfügbarkeitsvorhersage und energieversorgungssicherheit |
CN104950920A (zh) * | 2015-06-18 | 2015-09-30 | 郑琪炜 | 一种提高转换效率的太阳能电池板倾斜角选取方法 |
CN107341697A (zh) * | 2017-07-18 | 2017-11-10 | 江苏仲博敬陈信息科技有限公司 | 一种基于大数据的需求与供给预测方法 |
US20190034821A1 (en) * | 2017-07-26 | 2019-01-31 | Dell Products L.P. | Forecasting Run Rate Revenue with Limited and Volatile Historical Data Using Self-Learning Blended Time Series Techniques |
WO2022106297A1 (en) * | 2020-11-20 | 2022-05-27 | Unilever Ip Holdings B.V. | Univariate forecasting |
CN112488396A (zh) * | 2020-12-01 | 2021-03-12 | 国网福建省电力有限公司 | 基于小波变换的Holt-Winters和LSTM组合模型的电力负荷预测方法 |
CN112865201A (zh) * | 2021-04-13 | 2021-05-28 | 珠海汇众能源科技有限公司 | 一种微电网和电动汽车v2g互动提升能量利用率的方法 |
US20240030705A1 (en) * | 2022-06-14 | 2024-01-25 | State Grid Information & Telecommunication Group Co., Ltd. | Interpretable power load prediction method, system and terminal machine |
CN115566667A (zh) * | 2022-09-20 | 2023-01-03 | 四川中电启明星信息技术有限公司 | 一种基于深度指数平滑网络的短期负荷预测方法 |
CN115796492A (zh) * | 2022-11-14 | 2023-03-14 | 国网福建省电力有限公司 | 一种混合储能系统的微电网调度方法及终端 |
Non-Patent Citations (2)
Title |
---|
RUSHIL KAUSHIKKUMAR PATEL 等: "AI-Empowered Recommender System for Renewable Energy Harvesting in Smart Grid System", IEEE ACCESS, 8 March 2022 (2022-03-08), pages 24316 - 24326 * |
何大四,张旭: "改进的季节性指数平滑法预测空调负荷分析", 同济大学学报(自然科学版), vol. 33, no. 12, 31 December 2005 (2005-12-31), pages 1672 - 1676 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Guan et al. | Energy-efficient buildings facilitated by microgrid | |
CN105375479B (zh) | 一种基于模型预测控制的分布式能源能量管理方法 | |
CN106327006A (zh) | 一种基于综合效益分析的微电网优化配置方法 | |
CN107134810B (zh) | 一种独立型微能源网储能系统优化配置求解方法 | |
CN104734195A (zh) | 一种可并网运行的风光储一体微电网的监控方法 | |
CN102263418B (zh) | 混合能源发电系统的装置容量配置方法 | |
CN112086998B (zh) | 孤岛模式下直流微电网的能量优化调度方法 | |
CN112994115B (zh) | 一种基于wgan场景模拟和时序生产模拟的新能源容量配置方法 | |
CN114676991B (zh) | 基于源荷双侧不确定的多能互补系统优化调度方法 | |
CN115514005B (zh) | 一种光伏电站储能系统配置的经济性评估方法及装置 | |
CN107359611B (zh) | 考虑多种随机因素的配电网等值方法 | |
CN115423153A (zh) | 基于概率预测的光伏储能系统能量管理方法 | |
CN109861292B (zh) | 一种基于多能源储能系统提高清洁能源消纳方法 | |
Li et al. | Capacity configuration optimization of a hybrid renewable energy system with hydrogen storage | |
CN107506331A (zh) | 基于时间关联性及元件运行时间的微电网可靠性计算方法 | |
CN103684213A (zh) | 风光互补系统设计方法 | |
Gupta et al. | Design of an autonomous renewable hybrid power system | |
CN112186808A (zh) | 一种微网能量优化调度方法 | |
CN116207760A (zh) | 源网荷储容量配置方法 | |
Ran et al. | Economic dispatch of off-grid photovoltaic generation system with hybrid energy storage | |
Han et al. | Analysis of economic operation model for virtual power plants considering the uncertainties of renewable energy power generation | |
Sadullaev et al. | Micro-grid based power supply of remote consumers located away from the centralized power grid | |
CN117996816A (zh) | 用于风光柴储分队级储能的智能控制方法及系统 | |
CN112491087A (zh) | 一种基于需求侧响应的风光储独立微电网经济优化方法 | |
Zhang et al. | Solar photovoltaic power prediction based on similar day approach |
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 |