一种基于风电反调峰特性的储能实时优化方法技术

本发明专利技术提供了一种基于风电反调峰特性的储能实时优化方法，首先采用Kmeans聚类和核主成分分析法(KPCA)结合随机森林算法的模型进行负荷预测，降低预测误差，得到负荷基准值，确定算法迭代步长；然后以储能系统额定功率为约束，计算出系统功率最低移峰功率值和最高填谷功率值；最后根据所需功率差在对应时段进行充放电动作，功率差超出范围的部分按照储能系统额定功率动作，实现对储能系统各时段充放电的实时优化控制。本发明专利技术提供的基于风电反调峰特性的储能实时优化方法，可以对电池储能系统参与调峰的充放电时间段和充放电功率进行实时规划；有以储能系统充放电电量平衡为准则的配电网调峰可变功率控制策略，能有效缩减配电网峰谷差值。峰谷差值。峰谷差值。

【技术实现步骤摘要】
一种基于风电反调峰特性的储能实时优化方法


[0001]本专利技术涉及一种储能实时优化方法，特别涉及一种基于风电反调峰特性的储能实时优化方法。

技术介绍

[0002]中国能源结构中新能源发电占比越来越高，无论是从电网的成本和效益角度考虑还是从环境保护等社会效益出发，都有助于中国经济与社会的快速发展。但是新能源技术的随机波动性和难以预测性对电力系统的影响也是不可忽视的。新能源发电会以负的负荷形式与其余负荷进行算术叠加，结果会对电力系统净负荷峰谷差产生影响。在电网负荷中对外显示为负，则称为反调峰特性，这种反调峰特性会使存在风电并网的系统调峰压力愈加严重，且系统的调峰容量需求更大。
[0003]在负荷预测技术发展早期，负荷预测方法主要为传统预测法，一般包括自回归滑动平均法、回归分析法、卡尔曼滤波法和指数平滑法等。这些方法都是通过分析输入和输出之间的线性关系来建立预测模型并进行预测，在负荷保持稳定的前提下，这些方法能快速有效的得到预测结果。但是负荷的变化受各种因素的影响，传统预测方法无法有效分析日类型、用户类型等外界因素对预测结果的影响，当这些因素出现较大变化时，负荷也将随之变化，传统预测方法将无法有效的进行预测。近年来，人工智能算法被大量应用于负荷预测领域，主要包括模糊逻辑法，专家系统法，人工神经网络等，以上方法相较于传统的预测方法有了很大的提升、但难以兼顾到负荷数据与的其他外部因素的相关性。
[0004]传统调峰手段包括火电和燃油燃气机组，不仅对电网负荷预测精准性要求高，还需要发电机组具备足够的调峰备用容量。目前，储能系统优化方法中除了按照经济性指标对全年机组组合运行模拟来确定储能系统运行方案外，还是以恒功率法为主，但由于风力发电在不同时期，其反调峰特性对负荷峰谷持续时间的影响差别很大，采用恒功率法并不能保证调峰效果最优。近年来，有通过建立考虑电池储能系统实际约束的模型，可以对电池储能系统参与调峰的充放电时间段和充放电功率进行实时规划；有以储能系统充放电电量平衡为准则的配电网调峰可变功率控制策略，能有效缩减配电网峰谷差值。

技术实现思路

[0005]1.所要解决的技术问题：
[0006]传统调峰手段以恒功率法为主，但由于风力发电在不同时期，其反调峰特性对负荷峰谷持续时间的影响差别很大，采用恒功率法并不能保证调峰效果最优。
[0007]2.技术方案：
[0008]为了解决以上问题，本专利技术提供了一种基于风电反调峰特性的储能实时优化方法，包括以下步骤：步骤S01：负荷预测；步骤S02：计算负荷基准功率Pav、最低移峰功率初值P'1以及最高填谷功率初值P'2；步骤S03：以负荷基准功率P
av
为初值，ΔP为迭代步长，计算出储能系统总的充电能量E
D
和放电能量E
C
，满足储能系统总的充电能量E
D
≤储能系统总的
放电能量E
C
＜储能系统额定容量C，且储能系统总的充电能量E
D
和储能系统总的放电能量E
C
差值无限接近于0，若满足进入下一步，若不满足返回到上一步；步骤S04：计算出储能系统最低移峰功率限值P1和最高填谷功率限值P2；步骤S05：实际负荷在最低移峰功率限值P1和最高填谷功率限值P2内，进入下一步，否则储能系统不动作；步骤S06，当含新能源发电的系统实际负荷大于P1的时候，储能系统放电，当实际负荷小于P2的时候，储能系统充电，然后计算每段充电功率，完成风电反调峰特性的储能实时优化。
[0009]负荷基准功率：
[0010]P
L，t
为系统在t时段负荷功率，T为储能充放电周期，i为火电机组数。
[0011]最低移峰功率初值P'1以及最高填谷功率初值P'2；通过以下公式获得：
[0012]式中:P
max
为负荷峰值；P
min
为负荷谷值；P
Bess
为储能系统额定功率。
[0013]最低移峰功率限值P1和最高填谷功率限值P2通过以下公式获得：
[0014]ΔP为迭代步长，k为迭代常数。
[0015]储能系统总的充电能量E
D
和放电能量E
C
通过以下公式获得：
[0016]P
DL，t
和P
CL，t
分别为储能系统需要放电和充电时段内的系统负荷，P
max
为负荷峰值；P
min
为负荷谷值，Δt为功率采样的时间间隔，t为时间段。
[0017]3.有益效果：
[0018]本专利技术提供的基于风电反调峰特性的储能实时优化方法，可以对电池储能系统参与调峰的充放电时间段和充放电功率进行实时规划；有以储能系统充放电电量平衡为准则的配电网调峰可变功率控制策略，能有效缩减配电网峰谷差值。
附图说明
[0019]图1为本专利技术的流程图。
具体实施方式
[0020]下面结合附图来对本专利技术进行详细说明。
[0021]本专利技术采用的负荷预测采用Kmeans聚类分析数据处理方法对负荷数据进行预处理，提高数据质量，然后使用核主成分分析法对负荷特征数据进行降维处理去除特征间的相关性，最后，采用随机森林算法进行预测，得到负荷预测值。
[0022]具体步骤为：第一步：对初始样本集数据使用Kmeans算法进行预处理，将数据聚类成不同的类别，提取聚类中心数据作为样本数据来去除冗余样本；第二步：采用核主成分分析法对样本数据进行降维处理，去除特征之间的非线性及相关性，确定随机森林算法参数；第三步：利用Bootstrap方法提取有n个观测值的数据集，构建决策树；第四步：判断决策树棵树是否满足给定值，满足则进入第五步，不满足则返回第三步；第五步：在每棵决策树的每个节点随机选取m
try
变量，然后在m
try
变量中选择分类能力最好的变量，得到最佳的分割点，m
try
是一个预定义的数字；第六步：每棵决策树生长到最大程度后，决策树树的结果取算数平均值得终负荷预测结果。
[0023]如图1所示，一种基于风电反调峰特性的储能实时优化方法，包括以下步骤：步骤S01：负荷预测；步骤S02：计算负荷基准功率Pav、最低移峰功率初值P'1以及最高填谷功率初值P'2；负荷基准功率通过以下公式获得：P
L，t
为系统在t时段负荷功率，T为储能充放电周期，i为火电机组数。
[0024]最低移峰功率初值P'1以及最高填谷功率初值P'2；通过以下公式获得：
[0025]式中:P
max
为负荷峰值；P
min
为负荷谷值；P
Bess
为储能系统额定功率。
[0026]步骤S03：以负荷基准功率P
av
为初值，ΔP为迭代步长，计算出储能系统总的充电能量E
D
和放电能量E
...

【技术保护点】

【技术特征摘要】
1.一种基于风电反调峰特性的储能实时优化方法，包括以下步骤：步骤S01：负荷预测；步骤S02：计算负荷基准功率Pav、最低移峰功率初值P'1以及最高填谷功率初值P'2；步骤S03：以负荷基准功率P
av
为初值，ΔP为迭代步长，计算出储能系统总的充电能量E
D
和放电能量E
C
，满足储能系统总的充电能量E
D
≤储能系统总的放电能量E
C
＜储能系统额定容量C，且储能系统总的充电能量E
D
和储能系统总的放电能量E
C
差值无限接近于0，若满足进入下一步，若不满足返回到上一步；步骤S04：计算出储能系统最低移峰功率限值P1和最高填谷功率限值P2；步骤S05：实际负荷在最低移峰功率限值P1和最高填谷功率限值P2内，进入下一步，否则储能系统不动作；步骤S06，当含新能源发电的系统实际负荷大于P1的时候，储能系统放电，当实际负荷小于P2的时候，储能系统充电，然后计算每段充电功率，完成风电反调峰特性的储能实时优化。2.如权利要求1所述的方法，其特征在：在步骤S01中，负荷预测的具体步骤为：第一步：对初始样本集数据使用Kmeans算法进行预处理，将数据聚类成不同的类别，提取聚类中心数据作为样本数据来去除冗余样本；第二步：采用核主成分分析法对样本数据进行降维处理，去除特征之间的非线性及相关性，确定随机森林算法参数；第三步：利用Bootstrap方法提取有n个观测值的数据集，构建决策树；第...

【专利技术属性】
技术研发人员：卞海红，赵岫，王新迪，符云，彭闪，
申请(专利权)人：南京工程学院，
类型：发明
国别省市：