风电储能混合系统的储能荷电状态参考值预测方法及系统技术方案

本发明专利技术公开了一种风电储能混合系统的储能荷电状态参考值预测方法及系统，本发明专利技术方法包括获取风电储能混合系统最近的前后两连续时段的平均功率预测值；将前后两连续时段的平均功率预测值输入预先完成训练的两输入

【技术实现步骤摘要】
风电储能混合系统的储能荷电状态参考值预测方法及系统


[0001]本专利技术涉及电力系统
，具体涉及一种风电储能混合系统的储能荷电状态参考值预测方法及系统。

技术介绍

[0002]风电储能混合系统为带有储能装置的风力发电系统。其中的风力发电系统由于风速、风向等自然条件的变化而不能持续地、稳定地输出电能，这在风电穿透功率比较高的情况下，会对电网的电能质量及其稳定性产生较大的影响。因而，在系统中配置一定容量的储能装置将起到平滑功率波动、维持发电/负荷动态平衡、保持电压/频率稳定的作用，从而实现风力发电系统安全、经济、高效、优质地运行。就储能系统的技术性能而言，其容量配置得越大，对风电系统功率波动的平滑效果将会越好，但这也同时增加了系统的投资成本，不能很好地满足经济性要求。因此，对于一定容量的储能系统，如何通过对其自身的优化控制，来提高储能系统在风电系统中的技术性能，已成为目前迫切需要解决的问题。

技术实现思路

[0003]本专利技术要解决的技术问题：针对现有技术的上述问题，提供一种风电储能混合系统的储能荷电状态参考值预测方法及系统，本专利技术能够在电池储能系统功率和容量配置一定的前提下，实现对风电场功率波动的最优平滑效果，同时还能使电池储能系统避免出现过度充电或深度放电的状况发生。
[0004]为了解决上述技术问题，本专利技术采用的技术方案为：
[0005]一种风电储能混合系统的储能荷电状态参考值预测方法，包括：
[0006]1)获取风电储能混合系统最近的前后两连续时段的平均功率预测值；
[0007]2)将前后两连续时段的平均功率预测值输入预先完成训练的两输入
‑
单输出的机器学习网络模型，从而得到风电储能混合系统中储能装置的储能荷电状态参考值，所述两输入
‑
单输出的机器学习网络模型被预先训练建立了前后两连续时段的平均功率预测值、储能装置的储能荷电状态参考值之间的映射关系。
[0008]可选地，所述两输入
‑
单输出的机器学习网络模型为两输入
‑
单输出的单隐层BP网络。
[0009]可选地，所述单隐层BP网络包括输入层、隐含层和输出层，其中输入层包含两个神经元用于输入前后两连续时段的平均功率预测值，隐含层包括6个神经元用于输出X1～X6，输出层用于输出得到的储能装置的储能荷电状态参考值。
[0010]可选地，输入层和隐含层间采用双曲线正切激励函数tansig相连，所述隐含层的函数表达式为：
[0011][0012]上式中，tanh表示双曲线正切激励函数tansig，和分别为6个神经元的两组权重参数，P
mean(k)
和P
mean(k+1)
为输入层输入的前后两连续时段的平均功率预测值。
[0013]可选地，所述隐含层和输出层之间采用线性函数purelin相连，所述输出层的函数表达式为：
[0014][0015]上式中，tanh表示线性函数purelin，分别为输出层分别与隐含层的6个神经元之间连接的六个权重参数。
[0016]可选地，步骤2)之前还包括预先进行离线训练单隐层BP网络的步骤：
[0017]S1)生成训练数据并划分为训练数据集和验证数据集，所述训练数据集和验证数据集包括归一化处理后的前后两连续时段的平均功率预测值以及对应的储能装置的储能荷电状态参考值的标签；
[0018]S2)选用Levenberg
‑
Marquardt反向传播优化算法，采用训练数据集训练单隐层BP网络，且采用选动量梯度下降学习函数Learngdm来调整隐含层和输出层的权重参数；
[0019]S3)采用验证数据集验证完成本轮训练的单隐层BP网络，如果单隐层BP网络的误差小于预设阈值，则判定训练完成，保存隐含层和输出层的权重参数作为最终得到的训练结果，否则跳转执行步骤S1)继续训练。
[0020]可选地，步骤2)之后还包括：获取储能装置的储能荷电状态实际值及其与储能装置的储能荷电状态参考值之间的差得到储能荷电状态差值ΔSOC；将储能荷电状态差值ΔSOC以及电池储能系统此时的充放电状态作为模糊控制器的输入，通过模糊控制器根据储能荷电状态差值ΔSOC和充放电状态利用模糊规则获得当前的平滑时间常数T。
[0021]可选地，所述获得当前的平滑时间常数T之后还包括将风电场输出的功率P
G
经一阶低通滤波器得到风电并网功率参考值P
T
*的步骤，当风电场输出功率P
G
高于风电并网功率参考值P
T
*时，把多余的能量存储在储能装置中；当风电场输出功率P
G
低于风电并网功率参考值P
T
*时，储能装置中存贮的能量释放出来为电网提供功率支撑；且所述一阶低通滤波器的传递函数的函数表达式为：
[0022][0023]上式中，T为平滑时间常数。
[0024]此外，本专利技术还提供一种风电储能混合系统的储能荷电状态参考值预测系统，包
括相互连接的微处理器和存储器，该微处理器被编程或配置以执行所述风电储能混合系统的储能荷电状态参考值预测方法的步骤。
[0025]此外，本专利技术还提供一种计算机可读存储介质，该计算机可读存储介质中存储有计算机程序，该计算机程序用于被计算机设备执行以实施所述风电储能混合系统的储能荷电状态参考值预测方法的步骤。
[0026]和现有技术相比，本专利技术具有下述优点：本专利技术方法包括获取风电储能混合系统最近的前后两连续时段的平均功率预测值；将前后两连续时段的平均功率预测值输入预先完成训练的两输入
‑
单输出的机器学习网络模型，从而得到风电储能混合系统中储能装置的储能荷电状态参考值，两输入
‑
单输出的机器学习网络模型被预先训练建立了前后两连续时段的平均功率预测值、储能装置的储能荷电状态参考值之间的映射关系。本专利技术基于前后两连续时段的平均功率预测值、储能装置的储能荷电状态参考值之间的映射关系来利用两输入
‑
单输出的机器学习网络模型来进行储能装置的储能荷电状态参考值的预测，从而可通过大量数据样本训练来提高储能装置的储能荷电状态参考值的预测准确度，从而能够在电池储能系统功率和容量配置一定的前提下，实现对风电场功率波动的最优平滑效果，同时还能使电池储能系统避免出现过度充电或深度放电的状况发生。
附图说明
[0027]图1为本专利技术实施例方法的基本流程示意图。
[0028]图2为本专利技术实施例中机器学习网络模型的输入信号的划分示意图。
[0029]图3为本专利技术实施例中单隐层BP网络的结构示意图。
[0030]图4为本专利技术实施例中风电储能混合系统的结构示意图。
[0031]图5为本专利技术实施例中电池储能系统的基本平滑控制策略框图。
[0032]图6为本专利技术实施例中风电储能系统的并网功率曲线示意图。
[0033]图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种风电储能混合系统的储能荷电状态参考值预测方法，其特征在于，包括：1)获取风电储能混合系统最近的前后两连续时段的平均功率预测值；2)将前后两连续时段的平均功率预测值输入预先完成训练的两输入
‑
单输出的机器学习网络模型，从而得到风电储能混合系统中储能装置的储能荷电状态参考值，所述两输入
‑
单输出的机器学习网络模型被预先训练建立了前后两连续时段的平均功率预测值、储能装置的储能荷电状态参考值之间的映射关系。2.根据权利要求1所述的风电储能混合系统的储能荷电状态参考值预测方法，其特征在于，所述两输入
‑
单输出的机器学习网络模型为两输入
‑
单输出的单隐层BP网络。3.根据权利要求2所述的风电储能混合系统的储能荷电状态参考值预测方法，其特征在于，所述单隐层BP网络包括输入层、隐含层和输出层，其中输入层包含两个神经元用于输入前后两连续时段的平均功率预测值，隐含层包括6个神经元用于输出X1～X6，输出层用于输出得到的储能装置的储能荷电状态参考值。4.根据权利要求3所述的风电储能混合系统的储能荷电状态参考值预测方法，其特征在于，输入层和隐含层间采用双曲线正切激励函数tansig相连，所述隐含层的函数表达式为：上式中，tanh表示双曲线正切激励函数tansig，和分别为6个神经元的两组权重参数，P
mean(k)
和P
mean(k+1)
为输入层输入的前后两连续时段的平均功率预测值。5.根据权利要求4所述的风电储能混合系统的储能荷电状态参考值预测方法，其特征在于，所述隐含层和输出层之间采用线性函数purelin相连，所述输出层的函数表达式为：上式中，tanh表示线性函数purelin，分别为输出层分别与隐含层的6个神经元之间连接的六个权重参数。6.根据权利要求5所述的风电储能混合系统的储能荷电状态参考值预测方法，其特征在于，步骤2)之前还包括预先进行离线训练单隐层BP网络的步骤：S1)生成训练数据并划分为训练数据集和验证数据集，所述训练数据集和验证数据集包括归一化处理后的前后两连续时段的平均功率预测值...

【专利技术属性】
技术研发人员：张坤，邹鑫，贺鹏程，杨丹，宋军英，
申请(专利权)人：国网湖南省电力有限公司电力科学研究院国家电网有限公司，
类型：发明
国别省市：