一种基于风电功率爬坡预测的风-蓄-氢混合储能控制方法技术

本发明专利技术公开了一种基于风电功率爬坡预测的风

【技术实现步骤摘要】
一种基于风电功率爬坡预测的风
‑
蓄
‑
氢混合储能控制方法


[0001]本专利技术涉及一种混合储能控制方法，尤其涉及一种基于风电功率爬坡预测的风
‑
蓄
‑
氢混合储能控制方法。

技术介绍

[0002]随着社会水平的不断提高，人们对能源的消耗不断增加，能源危机的矛盾越来越严峻。风能作为清洁、无污染的可再生能源，其优良的特性使其受到更多广泛的关注。因为自然风存在剧烈的不稳定性，导致风电功率的预测难度较大，使得风电大规模并网后对电力系统的调度、稳定性造成严重影响。风电功率的波动性会导致风电爬坡事件的发生，当风电功率发生爬坡时，若直接运用会对电网产生影响，实质是有功注入突然增大和突然减小，会导致电网频率的变化，因此进行风电功率预测以及根据风电预测结果进行爬坡检测具有重要意义。
[0003]目前相对比较成熟的储能技术是蓄电池储能，由于风电功率波动性频发，蓄电池频繁充放电会使得蓄电池使用寿命大大降低且蓄电池容量有限，一旦控制策略不能较好地利用系统中的剩余储能容量，适应未来短期内的风电出力变化，则储能系统难以应对持续性的风电波动。而氢储能技术作为解决控制风电功率爬坡的新途能径，具有能量密度高、储氢容量大、绿色环保等特点，无需担心因储能容量不足导致无法抑制风电功率波动的现象，因此研究如何协调控制风
‑
蓄
‑
氢混合储能系统具有重要意义。

技术实现思路

[0004]专利技术目的：针对以上问题，本专利技术提出一种基于风电功率爬坡预测的风
‑
蓄
‑
氢混合储能控制方法，能够保证储能出力稳定性和降低系统能量损失的基础上减少风电爬坡，从而保证电力系统的稳定运行。
[0005]技术方案：本专利技术所采用的技术方案是一种基于风电功率爬坡预测的风
‑
蓄
‑
氢混合储能控制方法，包括以下步骤：
[0006]步骤1，利用经验模态分解将原始风电功率分解为各序列分量，将分解后的各IMF分量和剩余分量作为输入量建立基于各序列分量的最小二乘支持向量回归风电预测模型，并使用智能虫群算法优化所述最小二乘支持向量回归风电预测模型的正则化参数和核参数，通过优化后的模型得到风电功率预测序列；
[0007]步骤1中所述的智能虫群算法包括以下步骤：
[0008](11)随机生成N个虫巢的初始种群，迭代过程中种群其中i＝1，2，...，N，D为虫巢的位置维数，t为当前的迭代次数，为第i个虫巢的第t次迭代向量，x
ikt
表示第t次迭代第i个虫巢的第k维向量；
[0009](12)计算每个虫巢的适应度函数F
i
及其在虫群中被选中的概率P
i
；
[0010](13)动态更新种群，更新表达式为：
[0011][0012][0013]式中，k为各分量相应的维数，x
jk
为当前随机搜索到的最佳虫巢位置，x
op，k
为整个虫群中的最佳虫巢位置，x
ikt
表示第t次迭代第i个虫巢的第k维向量，λ
k
为步长因子，j由轮盘赌机制得到，P
j
为目标虫巢被选中的概率，α为步长上限；
[0014](14)计算虫巢的随机变异的概率为：
[0015][0016][0017]σ＝Z
×
(V
max
‑
V
min
)
[0018]式中，N(x
ikt
，σ2)为正态分布，N(0，1)为0
‑
1分布，σ为标准差，Z为缩放比例系数，为0到1之间的随机数，V
max
和V
min
分别为虫巢位置的上下边界；
[0019](15)组合旧群体和变异后的群体，保留组合群体中适应度函数值最小的个体；此时若满足终止条件，则输出最佳位置及其对应的最优值，反之，则继续进行迭代。
[0020]步骤(12)中所述的计算每个虫巢的适应度函数F
i
及其在虫群中被选中的概率P
i
，计算式分别为：
[0021][0022][0023]其中，f(x
i
)为第i个虫巢x
i
的优化目标函数；F
i
为适应度函数，P
i
为每个虫巢在虫群中被选中的概率，N为虫巢总数。
[0024]步骤1中所述的使用智能虫群算法优化所述最小二乘支持向量回归风电预测模型的正则化参数和核参数，是将所述正则化参数和核参数组成参数组(γ，σ)作为所述智能虫群算法的虫巢位置，通过所述智能虫群算法得到的最佳虫巢位置作为最小二乘支持向量回归风电预测模型的最优参数；其中，所述适应度函数中的优化目标函数为：
[0025][0026]式中，及y
i
分别为对原始风电功率数据经模态分解后得到的各序列风电功率数据经归一化处理后的第i个样本的输出功率预测值及真实值，n为各序列中的原始风电数据
的样本总数，γ
min
，γ
max
分别为正则化参数γ的上下限，σ
min
，σ
max
分别为核参数σ的上下限。
[0027]步骤2，将风电功率预测序列作为输入，利用累加
‑
摇摆窗算法对其中的风电爬坡事件进行识别；步骤2中所述的累加
‑
摇摆窗算法包括以下步骤：
[0028](21)使用摇摆窗算法将风电功率预测序列进行压缩分段化处理；
[0029](22)在压缩分段化处理后的风电功率预测序列上任取一个时间区间(i，j)，k(i＜k＜j)为其中的任意时刻；
[0030](23)在风电功率预测序列上构造目标函数J(i，j)：
[0031][0032]该目标函数的约束条件为：
[0033][0034]S(i，j)＝(j
‑
i)2×
R(i，j)
[0035]其中，S(
·
)为累加函数，S(i，k)是对应于子区间(i，k)的得分值，R(i，j)代表子区间(i，j)上的一起爬坡事件，当(i，j)符合爬坡事件的定义时，R(i，j)被赋值为a；反之，R(i，j)则被赋值为b，其中a，b为常数；所述爬坡事件的定义是，当满足不等式(p
j
‑
p
i
)/(t
j
‑
t
i
)＞λ
up
或(p
j
‑
p
i
)/(t
j
‑
t
i
)＜
‑
λ
down
时，即视为一起爬坡事件；其中，λ
up
与λ
down
为爬坡事件分界值；本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于风电功率爬坡预测的风
‑
蓄
‑
氢混合储能控制方法，其特征在于，包括以下步骤：步骤1，利用经验模态分解将原始风电功率分解为各序列分量，将分解后的各本征模态函数分量和剩余分量作为输入量建立基于各序列分量的最小二乘支持向量回归风电预测模型，并使用智能虫群算法优化所述最小二乘支持向量回归风电预测模型的正则化参数和核参数，通过优化后的模型得到风电功率预测序列；步骤2，将风电功率预测序列作为输入，利用累加
‑
摇摆窗算法对其中的风电爬坡事件进行识别；步骤3，提取所识别风电爬坡事件的特征值，将所述的风电爬坡事件的特征值作为输入，通过多网络前馈算法计算风电爬坡抑制效能指标；步骤4，将风电功率预测序列和状态变量输入至超前模型控制系统控制蓄电池及氢循环装置的出力，所述超前模型控制系统中的能量损失指标的影响因子使用步骤3所得风电爬坡抑制效能指标替代。2.根据权利要求1所述的基于风电功率爬坡预测的风
‑
蓄
‑
氢混合储能控制方法，其特征在于，步骤1中所述的智能虫群算法包括以下步骤：(11)随机生成N个虫巢的初始种群，迭代过程中种群B(t)＝{X
it
，X
it
＝x
i1t
，x
i2t
，...，x
iDt
}，其中i＝1，2，...，N，D为虫巢的位置维数，t为当前的迭代次数，X
it
为第i个虫巢的第t次迭代向量，x
ikt
表示第t次迭代第i个虫巢的第k维向量；(12)计算每个虫巢的适应度函数F
i
及其在虫群中被选中的概率P
i
；(13)动态更新种群，更新表达式为：(13)动态更新种群，更新表达式为：式中，k为各分量相应的维数，x
jk
为当前随机搜索到的最佳虫巢位置，x
op，k
为整个虫群中的最佳虫巢位置，x
ikt
表示第t次迭代第i个虫巢的第k维向量，λ
k
为步长因子，j由轮盘赌机制得到，P
j
为目标虫巢被选中的概率，α为步长上限；(14)计算虫巢的随机变异的概率为：(14)计算虫巢的随机变异的概率为：σ＝Z
×
(V
max
‑
V
min
)式中，N(x
ikt
，σ2)为正态分布，N(0，1)为0
‑
1分布，σ为标准差，Z为缩放比例系数，为0到1之间的随机数，V
max
和V
min
分别为虫巢位置的上下边界；(15)组合旧群体和变异后的群体，保留组合群体中适应度函数值最小的个体；此时若满足终止条件，则输出最佳位置及其对应的最优值，反之，则继续进行迭代。3.根据权利要求2所述的基于风电功率爬坡预测的风
‑
蓄
‑
氢混合储能控制方法，其特征在于，步骤(12)中所述的计算每个虫巢的适应度函数F
i
及其在虫群中被选中的概率P
i
，计算式分别为：
其中，f(x
i
)为第i个虫巢x
i
的优化目标函数；F
i
为适应度函数，P
i
为每个虫巢在虫群中被选中的概率，N为虫巢总数。4.根据权利要求3所述的基于风电功率爬坡预测的风
‑
蓄
‑
氢混合储能控制方法，其特征在于：步骤1中所述的使用智能虫群算法优化所述最小二乘支持向量回归风电预测模型的正则化参数和核参数，是将所述正则化参数和核参数组成参数组(γ，σ)作为所述智能虫群算法的虫巢位置，通过所述智能虫群算法得到的最佳虫巢位置作为最小二乘支持向量回归风电预测模型的最优参数；其中，所述适应度函数中的优化目标函数为：式中，及y
i
分别为对原始风电功率数据经模态分解后得到的各序列风电功率数据经归一化处理后的第i个样本的输出功率预测值及真实值，n为各序列中的原始风电数据的样本总数，γ
min
，γ
max
分别为正则化参数γ的上下限，σ
min
，σ
max
分别为核参数σ的上下限。5.根据权利要求1所述的基于风电功率爬坡预测的风
‑
蓄
‑
氢混合储能控制方法，其特征在于：步骤2中所述的累加
‑
摇摆窗算法包括以下步骤：(21)使用摇摆窗算法将风电功率预测序列进行压缩分段化处理；(22)在压缩分段化处理后的风电功率预测序列上任取一个时间区间(i，j)，k(i＜k＜j)为其中的任意时刻；(23)在风电功率预测序列上构造目标函数J(i，j)：该目标函数的约束条件为：S(i，j)＝(j
‑
i)2×
R(i，j)其中，S(
·
)为累加函数，S(i，k)是对应于子区间(i，k)的得分值，R(i，j)代表子区间(i，j)上的一起爬坡事件，当(i，j)符合爬坡事件的定义时，R(i，j)被赋值为a；反之，R(i，j)则被赋值为b，其中a，b为常数；所述爬坡事件的定义是，当满足不等式(p
j
‑
p
i
)/(t
j
‑
t
i
)＞λ
up
或(p
j
‑
p
i
)/(t
j
‑
t
i
)＜
‑
λ
down
时，即视为一起爬坡事件；其中，λ
up
与λ
down
为爬坡事件分界值；p
j
和p
i
分别为其对应时刻t
j
和t
i
的功率；(24)满足目标函数的时间区间识别为风电爬坡事件。6.根据权利要求5所述的基于风电功率爬坡预测的风
‑
蓄
‑

【专利技术属性】
技术研发人员：丁妍文，孟高军，孙玉坤，谭文轶，刘海涛，程哲明，周煜，李萌露，
申请(专利权)人：南京工程学院，
类型：发明
国别省市：