一种智能风光互补发电系统的功率调节方法技术方案

本发明专利技术涉及风光预测、功率调节技术领域，公开了一种智能风光互补发电系统的功率调节方法，包括如下步骤：获取历史发电数据，建立针对短期风光预测的RBF神经网络预测模型；建立分布式能源的模型与废旧电池充放电模型；利用野马搜索算法优化所述RBF神经网络预测模型；根据优化后的模型进行短期风光预测，得出风光预测结果；根据风光预测结果，对分布式能源系统输出功率进行智能调控。与现有技术相比，本发明专利技术使用野马搜索算法对RBF神经网络预测模型进行优化处理，使得模型误差更小，将风光清洁能源和废旧电池进行充分的利用，极大的节约了经济成本和环境成本。经济成本和环境成本。经济成本和环境成本。

【技术实现步骤摘要】
一种智能风光互补发电系统的功率调节方法


[0001]本专利技术涉及风光预测、功率调节
，具体涉及一种智能风光互补发电系统的功率调节方法。

技术介绍

[0002]在能源紧张和环境污染的双重压力下，基于可再生能源的发电技术迅速得到发展，光伏、风电以其安全、清洁、充裕等优点被广泛应用。作为清洁能源的代表，它们具有其他能源不可比拟的优势，但也存在突出的局限性，如能量密度低、不稳定性、地区差异性。由于地域、地形的差异，其风速、风能容量、光照时间和光照强度各不相同。两种能量形式的发电供电都具有不稳定性和间歇性，直接并网会对电能质量产生影响和对安全稳定运行带来威胁。
[0003]传统短期风光预测多是采用气象信息条件(气压等)和周围及自身环境的物理量(机组状态等)作为输入参数，结合历史发电量对神经网络进行训练优化，从而达到实现精确预测的目的。然而，传统神经网络易陷入局部最优导致预测失效。而且，传统预测使用的神经网络其隐层和隐层节点数不容易确定会导致训练周期太长精度偏低。
[0004]传统电池容量低于80％即视为报废，但这些电池仍有较大的利本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种智能风光互补发电系统的功率调节方法，其特征在于，包括如下步骤：步骤1：获取历史发电数据及其影响参数，建立针对短期风光预测的RBF神经网络预测模型；步骤2：建立分布式能源的模型与废旧电池充放电模型；步骤3：利用野马搜索算法优化所述RBF神经网络预测模型；步骤4：根据步骤3优化后的模型进行短期风光预测，得出风光预测结果；步骤5：根据步骤4的风光预测结果，对分布式能源系统输出功率进行智能调控。2.根据权利要求1所述的智能风光互补发电系统的功率调节方法，其特征在于，所述步骤1中RBF神经网络预测模型建模分成以下步骤：步骤1.1：确定输入层8个节点，x1、x2、x3、x4、x5、x6、x7、x8分别对应太阳辐射量、倾斜角度、组件遮挡、风向量、风密度，气压，湿度，机组状态；确定输出层1个节点，其中f(x)为预测发电量；RBF神经网络预测模型公式如下：发电量；RBF神经网络预测模型公式如下：其中，q为隐层神经元个数，w
j
是第j个隐层神经元所对应的权重，c
j
是第j个隐层神经元所对应的中心，为径向基函数，c
i
是第i个神经元的中心点，σ为高斯核的宽度，||x
i
‑
c
i
||为样本点x
i
到中心点c
i
的欧式距离，为所有输入参数第j个隐层神经元所对应的中心对应位置的径向基函数。步骤1.2：根据步骤1.1，建立风光预测模型均方误差，公式如下：当E最小时，预测模型结果最优；其中，e
i
为输入第i个样本时候的误差，f(x)为预测发电量，y为实际发电量；步骤1.3：建立输出层的神经元线性权重公式为：其中，η为学习效率，E为均方误差，为径向基函数，w为隐层总权重；步骤1.4：建立隐层神经元中心点公式为：
步骤1.5：建立隐层的高斯核宽度公式如下：3.根据权利要求1所述的智能风光互补发电系统的功率调节方法，其特征在于，所述步骤2中分布式能源的模型与废旧电池充放电模型建模分为以下步骤：步骤2.1：建立光伏电池模型，公式如下：步骤2.1：建立光伏电池模型，公式如下：步骤2.1：建立光伏电池模型，公式如下：其中，I
SC
是短路电流，V
oc
是开路电压，I
m
是最大功率点处的输出电流，V
m
是最大功率点处的输出电压；步骤2.2：建立风机电池模型，公式如下：步骤2.2：建立风机电池模型，公式如下：步骤2.2：建立风机电池模型，公式如下：
其中，P
m
是涡轮机的机械输出功率，ρ是空气密度，R是桨叶半径，C
p
是涡轮机的性能系数，β叶片俯仰角℃，V是风速，λ转子叶片的尖端速度与风速之比；步骤2.3：建立废旧电池模型，公式如下：V
T
＝E
m
‑
I
batt
R

【专利技术属性】
技术研发人员：汤健康，苏姣月，周孟雄，郭仁威，章浩文，纪捷，陈帅，黄佳惠，赵环宇，杜董生，刘树立，
申请(专利权)人：淮阴工学院，
类型：发明
国别省市：