光储电站的功率协调控制方法和装置、存储介质制造方法及图纸

本发明专利技术提供一种光储电站的功率协调控制方法和装置、存储介质，该方法包括获取光储电站历史太阳辐照度及其影响因素数据，对采集到的数据集进行预处理，划分出训练集和测试集，建立循环神经网络模型，通过循环神经网络模型在得到的测试集上进行预测，对预测结果进行误差分析后保存模型，预测光储电站未来一个调度周期的太阳辐照度数据，并基于该数据预测得到光伏出力，得到光储电站参与市场调度的实际电能，建立调度周期内电池储能系统的损耗成本函数模型，建立光储电站短期优化调度目标函数。本发明专利技术通过搭建可解释的深度学习模型，利用与太阳辐照度及其影响相关因素数据，可以对未来短期的太阳辐照度数据进行更加精确预测。

【技术实现步骤摘要】
光储电站的功率协调控制方法和装置、存储介质
本专利技术涉及光伏功率预测与储能控制
，尤其涉及一种光储电站的功率协调控制方法以及应用该方法的装置、存储介质。
技术介绍
太阳辐照度是光伏发电最主要的影响因素，但是由于大气的存在，真正到达地球表面的太阳辐射能的大小要受许多因素的影响，包括太阳高度、太阳方位角等地理参数，相对湿度、干球温度等气象参数，以及不同季节造成的光照强度不同带来的影响等。因此，太阳辐照度具有很强的随机性和波动性，对于光伏电站而言，精确的太阳辐照度短期预测是解决光伏电站输出功率稳定问题的关键技术之一，同时也是制定合理调度计划的必要前提。同时光伏出力存在的随机性和波动性的特点不可改变，随着光伏在电网中渗透率不断提高，当参与电网有功功率调节时，光伏电站本身需要弃光以及承担相应的经济损失，这将影响电网的经济稳定运行。储能电池具备响应速度快、控制精准的特性，并且在电网中既可以作为负荷被充电，又可以作为电源去放电，光伏电站侧配备储能系统可有效跟踪计划出力，主动参与电网调度。现有的太阳辐照度预测方法主要有机器学习预测方法和深度学习预测方法。其中，机器学习方法主要有回归、SVM回归、随机森林与时间序列分析法等；深度学习方法主要有LSTM长短时记忆神经网络等。目前的预测方法都很难应对不同天气类型下的各种影响因素，要实现精确的预测难度很大。现有的预测方法在以下三个方面有待提高，如下：(1)机器学习方法或者深度学习算法是“端到端”的“黑盒”模式，难以准确揭示太阳辐照度预测结果与输入特征如太阳高度、方位角、温度等之间的关系。(2)预测算法内部的变换关系不可改变，使得太阳辐照度预测精度进一步提升很难。(3)太阳辐照度预测算法的空间复杂度偏大，计算一次辐照度预测结果耗费时间很长。因此亟需提出一种可解释的、预测精度高并且空间复杂度小的深度学习算法用于太阳辐照度的短期预测。对于光储电站而言，电池储能系统的装配灵活、存储容量大、不受地理环境限制，但是其成本昂贵带来的经济性问题使其广泛应用受限。因此对光储电站协调控制以减小其经济成本是保证光储电站收益最大化的重要手段。
技术实现思路
本专利技术的第一目的在于提供一种通过搭建可解释的深度学习模型，利用与太阳辐照度相关的地理因素、气象因素以及光照因素等数据，对未来短期的太阳辐照度数据进行更加精确预测的光储电站的功率协调控制方法。本专利技术的第二目的在于提供一种光储电站的短期功率协调控制装置。本专利技术的第三目的在于提供一种存储介质。为了实现上述的第一目的，本专利技术提供的一种光储电站的功率协调控制方法，其包括步骤S1、获取光储电站历史太阳辐照度及其影响因素数据；步骤S2、对采集到的数据集进行预处理，划分出训练集和测试集；步骤S3、建立循环神经网络模型；步骤S4、通过循环神经网络模型在所述步骤S2得到的测试集上进行预测，对预测结果进行误差分析后保存模型；步骤S5、使用所述步骤S4中保存的模型预测光储电站未来一个调度周期的太阳辐照度数据，并基于该数据预测得到光伏出力；步骤S6、得到光储电站参与市场调度的实际电能；步骤S7、建立调度周期内电池储能系统的损耗成本函数模型；步骤S8、建立光储电站短期优化调度目标函数，以实现光储电站短期功率协调控制。进一步的方案中，所述步骤S1具体包括：采集光储电站中与太阳辐照度相关的各类特征参数数据，其中，所述各类特征参数数据具体包括太阳高度、太阳方位角等地理参数，相对湿度、干球温度等气象参数，以及不同季节下的太阳辐照度校正因子等。更进一步的方案中，所述步骤S2具体包括：对所述步骤S1中采集到的数据集进行预处理，对预处理后的数据集进行归一化并进行训练集和测试集的划分，其中，所述预处理包括缺失值、异常值的填补和修正。更进一步的方案中，所述步骤S3包括以下步骤：步骤S31，建立输入层：将当前时刻太阳辐照度特征值与上一时刻的记忆值进行组合变换，作为输入向量，通过线性变换后传递给下一网络层；步骤S32，建立中间层：使用Legendre多项式对所述步骤S31的输出结果进行特征提取，构成特征提取层，其输出结果传递给下一网络层作为输入，并且作为记忆值传递给下一时刻的输入层；步骤S33，建立输出层：采用可解释的线性变换函数，对所述步骤S32中的输出结果进行计算，预测当前时刻的光储电站太阳辐照度；将所述步骤S2训练集的太阳辐照度特征值数据在可解释循环神经网络中进行训练，达到训练次数以及训练精度后，保存模型。更进一步的方案中，所述步骤S4具体包括：通过循环神经网络模型在所述步骤S2得到的测试集上进行预测，输出太阳辐照度影响因素相关度系数，建立评价指标体系，并对预测结果进行误差分析，判断预测结果与真实值偏差是否在允许范围内，如是，则保存模型。更进一步的方案中，所述步骤S6具体包括：基于光储电站的历史电能流动数据以及历史电价，得到下一调度周期内的光储电站为满足市场调度的必须出力及预估电价；结合所述步骤S5中得到的光伏出力和电池储能系统能量，从而得到光储电站参与市场调度的实际电能。更进一步的方案中，所述步骤S7具体包括：分别建立储能电池可利用寿命受温度和放电深度影响的模型，进而建立调度周期内电池储能系统的损耗成本函数模型。更进一步的方案中，所述步骤S8具体包括通过所述步骤S6中得到的光储电站参与市场调度的实际电能以及预估电价，通过损耗成本函数模型计算电池储能系统的损耗成本，以最大化光储电站收益为目标建立光储电站短期优化调度目标函数。为了实现上述的第二目的，本专利技术提供的一种光储电站的功率协调控制装置，其包括存储器，用于存储计算机可读指令；以及处理器，用于运行所述计算机可读指令，使得所述短期功率协调控制装置执行如上述的功率协调控制方法。为了实现上述的第三目的，本专利技术提供的一种存储介质，用于存储计算机可读指令，当所述计算机可读指令由计算机执行时，使得所述计算机执行如上述的功率协调控制方法的指令。由此可见，本专利技术提出了一种基于可解释循环神经网络模型的太阳辐照度预测方法，使用影响太阳辐照度的的气象参数、地理参数以及校正因子等数据，采用一种新的训练方法，该方法包括数据预处理、误差估计预训练和参数调整，对可解释循环神经网络的模型参数进行了很好的调优。通过模型的学习调参，其预测精度不断提高，提高了传统太阳辐照度预测的精度。进一步的，本专利技术提出了一种算法空间复杂度小的可解释循环神经网络模型，基于深度学习算法提出了一种可解释的循环神经网络模型，该模型算法不仅空间复杂度小，而且具备合理性以及可改进性，通过自定义循环神经网络的激活函数，可视化深度学习内部过程的变换关系，解释模型的预测结果与输入特征的相关性。此外，本专利技术的光储电站短期功率协调控制方法，基于预测出力并考虑到储能系统的损耗成本，以最大化光储电站收益为目标，建立光储电站短期功率协调控制模型，可以对未来短期的太阳辐照度数据进行更加精确预测。附图说明图1是本专利技术一种光储电站的功率协调控制方法实本文档来自技高网...

【技术保护点】
1.光储电站的功率协调控制方法，其特征在于，包括：/n步骤S1、获取光储电站历史太阳辐照度及其影响因素数据；/n步骤S2、对采集到的数据集进行预处理，划分出训练集和测试集；/n步骤S3、建立循环神经网络模型；/n步骤S4、通过循环神经网络模型在所述步骤S2得到的测试集上进行预测，对预测结果进行误差分析后保存模型；/n步骤S5、使用所述步骤S4中保存的模型预测光储电站未来一个调度周期的太阳辐照度数据，并基于该数据预测得到光伏出力；/n步骤S6、得到光储电站参与市场调度的实际电能；/n步骤S7、建立调度周期内电池储能系统的损耗成本函数模型；/n步骤S8、建立光储电站短期优化调度目标函数，以实现光储电站短期功率协调控制。/n

【技术特征摘要】
1.光储电站的功率协调控制方法，其特征在于，包括：
步骤S1、获取光储电站历史太阳辐照度及其影响因素数据；
步骤S2、对采集到的数据集进行预处理，划分出训练集和测试集；
步骤S3、建立循环神经网络模型；
步骤S4、通过循环神经网络模型在所述步骤S2得到的测试集上进行预测，对预测结果进行误差分析后保存模型；
步骤S5、使用所述步骤S4中保存的模型预测光储电站未来一个调度周期的太阳辐照度数据，并基于该数据预测得到光伏出力；
步骤S6、得到光储电站参与市场调度的实际电能；
步骤S7、建立调度周期内电池储能系统的损耗成本函数模型；
步骤S8、建立光储电站短期优化调度目标函数，以实现光储电站短期功率协调控制。


2.根据权利要求1所述的功率协调控制方法，其特征在于：
所述步骤S1具体包括：采集光储电站中与太阳辐照度相关的各类特征参数数据，其中，所述各类特征参数数据具体包括太阳高度、太阳方位角等地理参数，相对湿度、干球温度等气象参数，以及不同季节下的太阳辐照度校正因子等。


3.根据权利要求1所述的功率协调控制方法，其特征在于：
所述步骤S2具体包括：对所述步骤S1中采集到的数据集进行预处理，对预处理后的数据集进行归一化并进行训练集和测试集的划分，其中，所述预处理包括缺失值、异常值的填补和修正。


4.根据权利要求1所述的功率协调控制方法，其特征在于：
所述步骤S3包括以下步骤：
步骤S31，建立输入层：将当前时刻太阳辐照度特征值与上一时刻的记忆值进行组合变换，作为输入向量，通过线性变换后传递给下一网络层；
步骤S32，建立中间层：使用Legendre多项式对所述步骤S31的输出结果进行特征提取，构成特征提取层，其输出结果传递给下一网络层作为输入，并且作为记忆值传递给下一时刻的输入层；
步骤S33，建立输出层：采用可解释的线性变换函数，对所...

【专利技术属性】
技术研发人员：周斌，杜胜南，李勇，周迭辉，曹一家，黎灿兵，王怀智，郑玲，
申请(专利权)人：珠海博威电气股份有限公司，
类型：发明
国别省市：广东;44