System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及储能平抑风电波动,具体涉及一种具有用于在线平抑风电功率波动的储能控制方法及系统。
技术介绍
1、风电作为清洁能源已受到越来越多的关注,风力发电的间歇性、随机性和波动性等特点使得风电的安全并网受到严峻的挑战。
2、储能可以平抑风电功率出力存在随机性和波动性,然而,储能系统的响应存在滞后性,这使得对风电波动进行预测成为了实现平抑的先决条件。
3、常规风电预测的常规方法是通过对历史数据的分析获得,该方法使用于预测时间范围相对较长,通常应用于风储系统的削峰填谷,不符合储能平抑风电波动的场景。
4、现有风电预测往往考虑因素复杂,计算麻烦,导致计算时间过长,同时预测时间尺度往往是十几分钟甚至是几个小时,因此实时性较弱,不能及时发挥储能的作用,导致风电波动性不能及时控制,影响电能质量。
5、现有技术1(cn115882446a)公开了一种基于双层mac和vmd自适应分频的风电平滑方法,提取波动率需求内的补偿功率,根据超级电容器和蓄电池的特性对补偿功率进行分频,使超级电容器平抑高频低幅值的波动,蓄电池b平抑低频高幅值的波动。其不足之处在于仅对当前的波动量采用不同的储能手段进行响应平抑,无法对当前波动量产生的后续影响进行预测。
6、现有技术2(cn113469467b)提供了一种基于带通滤波的风电超短期预测方法及装置,获取风电站的历史实发数据并进行数据清洗;将清洗后的实发数据代入带通滤波器,对输出数据进行随机性检验,对预测数据进行特征提取,将特征提取后的预测数据和经过滤波的
技术实现思路
1、为解决现有技术中存在的不足,本专利技术提供一种在线风电波动平抑储能控制方法及系统,基于对风电出力变化的特征值提取,进而生成对储能的控制信号,通过对储能的控制实现平抑风电波动。本专利技术采用对风电典型功率分频率分析,通过优化算法得到各个频率对应的预测矩阵与信号重构矩阵,利用实时的风电功率及其之前一段时间内的风电功率以及上述预测矩阵与信号重构矩阵实现对超短期风电功率的预测,得到对储能的控制指令预测值,并基于实时预测值与实时实际值修正上述指令,进一步得到精准的控制指令。
2、本专利技术采用如下的技术方案。
3、本专利技术第一方面提供了一种在线风电波动平抑储能控制方法,包括以下步骤:
4、步骤1,获取风电典型功率序列,对功率序列进行频率分解,生成均包含n个频段的频谱矩阵与频谱特征矩阵;
5、步骤2,使用步骤1获得的频谱矩阵与频谱特征矩阵,训练预测矩阵,获得n个频段的预测矩阵b1至bn;其中预测矩阵b1至bn用于获得n个频段的预测值;
6、步骤3,使用步骤1获得的频谱矩阵和频谱特征矩阵,以及步骤2所述训练完成的预测矩阵,训练信号重构矩阵;其中信号重构矩阵用于将n个频段的预测值重构为一个预测值;
7、步骤4,针对被控风储系统的风力发电机的实时采样数据生成相应的功率序列,并进行频率分解;
8、步骤5,将步骤4频率分解后获得的频谱特征矩阵,代入步骤2获得的预测矩阵b1至bn和步骤3获得的信号重构矩阵,获得指令预测值z,进而生成对储能的控制指令。
9、优选地,步骤1包括:
10、步骤1.1,获取风电典型功率序列;
11、步骤1.2,对步骤1.1获取的风电典型功率序列进行频率分解,分解为n个频段,根据分解得到的n个频段的功率信息,构建n个频段的频谱矩阵c1至频谱矩阵cn;
12、步骤1.3,利用采样窗对步骤1.1获取的风电典型功率序列进行频率分解,构建风电典型功率序列的频谱特征矩阵a。
13、优选地,步骤1.3包括:通过滚动序列的方法对风电功率典型序列进行依次采样,滚动次数o从1开始到r-m结束。
14、优选地,步骤2包括:
15、步骤2.1,设定预测矩阵b1至bn的初始值,预测矩阵b1至预测矩阵bn均为长度为m*1矩阵;
16、步骤2.2,通过步骤1.3所述第o次滚动采样下的频谱特征矩阵a(o)与预测矩阵b1至预测矩阵bn的运算得到第o次滚动下的采样数据的下一时刻的对各次频率的功率预测值y(1,o)至y(n,o),o的初始值为1,本步骤所涉及如下:
17、
18、步骤2.3,通过步骤1.2所述频谱矩阵c1至cn得到各滚动次数下各频率的实际值,对于第o次滚动,对应的各频率的预测值y(k,o)的实际值为c(k,o+m);
19、步骤2.4,计算第o次滚动下的各次频率的预测值y(k,o)和实际值的误差,误差计作e(k,o),计算方法如下:
20、e(k,o)=y(k,o)-c(k,o+m)
21、步骤2.5,重复步骤2.2-步骤2.4直到滚动次数o达到最大值,根据每个滚动次数下的误差计算整体误差,并通过整体误差作为目标函数运行寻优程序,调整预测矩阵并重新回到步骤3.2,,以此类推不断优化预测矩阵,该目标函数为:
22、
23、步骤2.6,利用上述步骤不断调整预测矩阵,直到到达优化算法的设定次数,得到优化后的预测矩阵b1至bn。
24、优选地,步骤3包括:
25、步骤3.1,设定信号重构矩阵r初始值,信号重构矩阵r为长度1*n的矩阵;
26、步骤3.2,根据步骤1.3所述第o次滚动下的频谱特征矩阵a(o)与步骤2得到的预测矩阵b1至bn得到第o次滚动下的预测预测值y(1,o)至预测值y(n,o),计算方式如下,o的初始值为1:
27、
28、进而构建预测值矩阵y(o):
29、
30、步骤3.3,通过预测值矩阵y(o)与1*n的信号重构矩阵r的内积得到第o次滚动下的指令预测值z(o),对于第o次滚动本步骤涉及的内积运算如下:
31、z(o)=r*y(o)
32、步骤3.4,指令预测值z(o)对应的实际值为x(o+m),x(o+m)的获取方法为:以被控风储系统的风力发电机的实时采样数据为起点,向前选取采样数据,第o+m个采样数据即为x(o+m),计算指令预测值z(o)和对应实际值x(o+m)的误差,误差计作e(o),计算方法如下:
33、e(o)=z(o)-x(o+m)
34、步骤3.5,不断重复步骤3.2-步骤3.4直到滚动次数o达到最大值,根据每个滚动次数下的误差计算整体误差,并将其设定为优化算法的目标函数,得到调整后的信号重构矩阵,优化算法的目标函数如下所示:
本文档来自技高网...【技术保护点】
1.一种在线风电波动平抑储能控制方法,其特征在于,包括以下步骤:
2.如权利要求1所述的一种在线风电波动平抑储能控制方法,其特征在于:
3.如权利要求2所述的一种在线风电波动平抑储能控制方法,其特征在于:
4.如权利要求3所述的一种在线风电波动平抑储能控制方法,其特征在于:
5.如权利要求4所述的一种在线风电波动平抑储能控制方法,其特征在于:
6.如权利要求5所述的一种在线风电波动平抑储能控制方法,其特征在于:
7.如权利要求6所述的一种在线风电波动平抑储能控制方法,其特征在于:
8.一种利用权利要求1-7任一项权利要求所述方法的在线风电波动平抑储能控制系统,其特征在于,包括:
9.一种终端,包括处理器及存储介质;其特征在于:
10.计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1-7任一项所述方法的步骤。
【技术特征摘要】
1.一种在线风电波动平抑储能控制方法,其特征在于,包括以下步骤:
2.如权利要求1所述的一种在线风电波动平抑储能控制方法,其特征在于:
3.如权利要求2所述的一种在线风电波动平抑储能控制方法,其特征在于:
4.如权利要求3所述的一种在线风电波动平抑储能控制方法,其特征在于:
5.如权利要求4所述的一种在线风电波动平抑储能控制方法,其特征在于:
6.如权利要求5所述的一种...
【专利技术属性】
技术研发人员:李朝晖,李建林,辛迪熙,孙鑫,滕卫军,刘阳,谷青发,张亚飞,谢博宇,杨海晶,
申请(专利权)人:国网河南省电力公司电力科学研究院,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。