基于预测的并网型风储能量管理方法及系统技术方案

本发明专利技术涉及一种基于预测的并网型风储能量管理方法及系统，采集模块采集历史数据；将基于历史数据的第一时间序列分量，利用EMD分解方法获得第二时间序列分量；基于第二时间序列分量进行预测，对于线性第二时间序列分量采用线性拟合预测；对于非线性第二时间序列分量基于相空间进行重构预测；将预测后的第二时间序列分量进行反EMD操作，获得风机机组启动的预测风速；基于预测风速，预测风机最优功率；基于预测风机最优功率，对风电场的储能系统进行充放电控制，以实现风机最大功率点追踪模式下的风电场出力功率平抑。本发明专利技术在保证预测精度的前提下，能够大幅降低数据处理量，进而有效实现并网型风储联合系统的能量管理。实现并网型风储联合系统的能量管理。实现并网型风储联合系统的能量管理。

【技术实现步骤摘要】
基于预测的并网型风储能量管理方法及系统


[0001]本专利技术涉及一种基于预测的并网型风储能量管理方法及系统。

技术介绍

[0002]在并网型风储联合系统(风电场)能量管理工程应用中，对于风机等不可调度发电机来说，对其出力及运行预测可以降低微电网的不确定性，可以提高微电网的新能源消纳率并保障供电可靠性。对于风机预测，当需要对超短期(15分钟以内)的风机功率进行预测时，通常采用平滑预测或机器学习方法。采用平滑预测等线性方法对大气(风)这类典型非线性系统进行预测存在着固有误差；现有机器学习方法预测需要大量的、人工标签的历史数据对网络模型进行训练，需要处理数据量巨大，如此巨大的数据量和模糊的标签分类对于工程应用级硬件设备难以达到要求。

技术实现思路

[0003]本专利技术的专利技术目的在于提供一种基于预测的并网型风储能量管理方法及系统，在保证预测精度的前提下，能够大幅降低数据处理量，进而有效实现并网型风储联合系统的能量管理。
[0004]基于同一专利技术构思，本专利技术具有两个独立的技术方案：
[0005]1、一种基于预测的并网型风储能量管理方法，包括如下步骤：
[0006]步骤1：采集与风机储能相关的历史数据；
[0007]步骤2：将基于历史数据的第一时间序列分量，利用EMD分解方法获得第二时间序列分量；
[0008]步骤3：基于第二时间序列分量进行预测，对于线性第二时间序列分量采用线性拟合预测；对于非线性第二时间序列分量基于相空间进行重构预测；
[0009]步骤4：将预测后的第二时间序列分量进行反EMD操作，获得风机机组启动的预测风速；
[0010]步骤5：基于预测风速，预测风机最优功率；基于预测风机最优功率，对风电场的储能系统进行充放电控制，以实现风机最大功率点追踪模式下的风电场出力功率平抑。
[0011]进一步地，步骤1中，所述历史数据包括风机数据、气象数据、储能数据。
[0012]进一步地，步骤2中，包括如下步骤：
[0013]步骤2.1：提取数据{x(t)|t＝1,2,
…
,n}中所有极大、小值点；
[0014]步骤2.2：通过三次插值构造其上下包络线e
up
(t)和e
l
o
w
(t)，并它们的平均值m(t)；
[0015][0016]步骤2.3：将{m(t)}从数据中剔除，从而获得新的数据ht；
[0017]ht＝x(t)
‑
m(t)
[0018]步骤2.4：重复步骤2.1至步骤2.3k次，至满足终止条件，得到第一个IMF分量{h1t|t＝1,2,
…
,n}，记{c1t}＝{h1t}；
[0019]步骤2.5：将{c1t}从数据{x(t)}中剔除，从而获得新的数据{x
′
(t)}，重复上述过程，直至至分解出全部的IMF，即
[0020][0021]式中，IMF表示本征模态，r
n
(t)表示残差。
[0022]进一步地，步骤3中，通过局部线性判别对局部线性特征明显的IMF进行线性化，采用线性拟合预测；对非线性分量构建其相空间，基于相空间进行重构预测。
[0023]进一步地，步骤3中，通过如下方法对非线性分量构建其相空间，
[0024]对于一元离散序列{x(t)|t＝1,2,
…
,n},通过时间延迟τ和嵌入维数m，构造相空间：
[0025]X(t)＝[x(t)，x(t+τ)，...，x(t+(m
‑
1)τ)][0026]其中，t＝1,
…
,L，L＝n
‑
(m
‑
1)τ，得到相空间矩阵：
[0027][0028]进一步地，步骤5中，当预测功率大于参考功率即给定风电场上网功率时，若储能系统的能量状态小于90％，则风机保持最大功率点追踪模式状态，同时，储能系统进入充电状态。
[0029]进一步地，步骤5中，当预测功率大于参考功率即给定风电场上网功率时，若储能系统的能量状态大于90％，则限制风机转速即进行弃风状态，储能系统不再进行充放电操作。
[0030]进一步地，步骤5中，当预测功率小于参考功率即给定风电场上网功率时，若储能系统的能量状态大于20％，则风机保持最大功率点追踪模式状态，同时，储能系统进入放电状态。
[0031]进一步地，步骤5中，若储能系统的能量状态小于20％，则风机保持最大功率点追踪模式状态，储能系统不再进行充放电操作。
[0032]2、一种基于预测的并网型风储能量管理系统，包括：
[0033]采集模块，所述采集模块用于采集与风机储能相关的历史数据，历史数据包括风机数据、气象数据、储能数据；
[0034]预测模块，所述预测模块用于执行以下操作，
[0035]将基于历史数据的第一时间序列分量，利用EMD分解方法获得第二时间序列分量；基于第二时间序列分量进行预测，对于线性第二时间序列分量采用线性拟合预测；对于非线性第二时间序列分量基于相空间进行重构预测；将预测后的第二时间序列分量进行反EMD操作，获得风机机组启动的预测风速；基于预测风速，预测风机最优功率；基于预测风机最优功率，对风电场的储能系统进行充放电控制；
[0036]调度指令传输模块，所述调度指令传输模块用于传输预测模块生成的调度指令；
[0037]调度指令执行设备，所述调度指令执行设备用于执行调度指令，以实现风机最大功率点追踪模式下的风电场出力功率平抑。
[0038]本专利技术具有的有益效果：
[0039]本专利技术将基于历史数据的第一时间序列分量，利用EMD分解(经验模态分解)方法获得第二时间序列分量；基于第二时间序列分量进行预测，对于线性第二时间序列分量采用线性拟合预测；对于非线性第二时间序列分量基于相空间进行重构预测；将预测后的第二时间序列分量进行反EMD操作，获得风机机组启动的预测风速；基于预测风速，预测风机最优功率。本专利技术预测方法在保证预测精度的前提下，大幅降低数据处理量，避免了大量数据处理的硬件设备需求，且结合线性与非线性预测方法的优点。本专利技术基于预测风机最优功率，对风电场的储能系统进行充放电控制，以实现风机最大功率点追踪模式下的风电场出力功率平抑，有效实现并网型风储联合系统的能量管理，保证风电场最小弃风量的前提下，平抑风电场出力波动，减少对电力系统/负荷的波动影响。
[0040]本专利技术步骤2中，利用EMD分解方法获得第二时间序列分量包括如下步骤：
[0041]步骤2.1：提取数据{x(t)|t＝1,2,
…
,n}中所有极大、小值点；
[0042]步骤2.2：通过三次插值构造其上下包络线e
up
(t)和e
low
(t)，并它们的平均值m(t)；
[0043][0044]步骤2.3：将{m(t)}从数据中剔除，从而获本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于预测的并网型风储能量管理方法，其特征在于，包括如下步骤：步骤1：采集与风机储能相关的历史数据；步骤2：将基于历史数据的第一时间序列分量，利用EMD分解方法获得第二时间序列分量；步骤3：基于第二时间序列分量进行预测，对于线性第二时间序列分量采用线性拟合预测；对于非线性第二时间序列分量基于相空间进行重构预测；步骤4：将预测后的第二时间序列分量进行反EMD操作，获得风机机组启动的预测风速；步骤5：基于预测风速，预测风机最优功率；基于预测风机最优功率，对风电场的储能系统进行充放电控制，以实现风机最大功率点追踪模式下的风电场出力功率平抑。2.根据权利要求1所述的基于预测的并网型风储能量管理方法，其特征在于：步骤1中，所述历史数据包括风机数据、气象数据、储能数据。3.根据权利要求2所述的基于预测的并网型风储能量管理方法，其特征在于：步骤2中，包括如下步骤：步骤2.1：提取数据{x(t)|t＝1,2,
…
,n}中所有极大、小值点；步骤2.2：通过三次插值构造其上下包络线e
up
(t)和e
low
(t)，并它们的平均值m(t)；步骤2.3：将{m(t)}从数据中剔除，从而获得新的数据ht；ht＝x(t)
‑
m(t)步骤2.4：重复步骤2.1至步骤2.3k次，至满足终止条件，得到第一个IMF分量{h1t|t＝1,2,
…
,n}，记{c1t}＝{h1t}；步骤2.5：将{c1t}从数据{x(t)}中剔除，从而获得新的数据{x
′
(t)}，重复上述过程，直至至分解出全部的IMF，即式中，IMF表示本征模态，r
n
(t)表示残差。4.根据权利要求3所述的基于预测的并网型风储能量管理方法，其特征在于：步骤3中，通过局部线性判别对局部线性特征明显的IMF进行线性化，采用线性拟合预测；对非线性分量构建其相空间，基于相空间进行重构预测。5.根据权利要求4所述的基于预测的并网型风储能量管理方法，其特征在于：步骤3中，通过如下方法对非线性分量构建其相空间，对于一元离散序列{x(t)|t＝1...

【专利技术属性】
技术研发人员：邢雪亮，贾利民，张涛，刘善明，
申请(专利权)人：华北电力大学，
类型：发明
国别省市：