【技术实现步骤摘要】
本专利技术属于新能源，具体涉及一种新能源储能配置方法及系统。
技术介绍
1、目前，全球能源紧张和环境污染问题日益加重，随着能源革命的发展，负荷所使用清洁能源的占比越来越大。新能源发电具有间歇性、随机性、不确定性等特点，给电网运行带来了新的挑战。其中，凭借快速功率调节以及灵活的能量管理特性，新能源储能系统在平滑新能源发电站出力波动、改善电压质量、提高供电可靠性以及系统能量优化管理中展现出了巨大的潜力。因此，研究储能系统的储能配置对于新能源发电站规划运行具有重要研究意义。
2、现有技术中，对于新能源发电站的储能配置，大多基于单一发电站进行分析，在实际运用中，新能源储能系统往往为多个新能源发电站提供储能服务，导致现有的储能配置效果差，准确性低，无法满足多区域的新能源发电站的储能需求，并且，不同区域的新能源发电站、新能源储能系统之间存在信息孤岛，缺乏信息交互，导致储能配置方案缺乏价值，无法为后续的储能配置提供指导性意见，最后，现有的储能配置大多基于上一季度的历史发电功率数据，方案的实时性差，并且无法根据实时的电网波动进行及时储能配置调整。
技术实现思路
1、为了解决现有技术存在的储能配置效果差，准确性低，方案缺乏价值，实时性差以及及时性差的问题，本专利技术目的在于提供一种新能源储能配置方法及系统。
2、本专利技术所采用的技术方案为：
3、一种新能源储能配置方法，包括如下步骤：
4、根据若干区域的新能源发电站、新能源储能系统以及输电线路的位置数
5、对新能源发-储分布图中的若干新能源储能系统进行归属划分，得到每一新能源发电站的附属储能集群；
6、采集新能源发电站的实时运行数据，并根据实时运行数据，使用发电功率预测模型，进行发电功率预测，得到新能源发电站的发电功率预测数据；
7、根据发电功率预测数据，构建新能源发电站的消纳目标函数，根据新能源储能系统的系统成本数据，构建对应的附属储能集群的成本目标函数；
8、根据消纳目标函数和对应的成本目标函数，使用新能源储能配置模型，进行新能源储能配置，得到新能源储能配置方案；
9、遍历新能源发-储分布图中所有的新能源发电站，得到若干新能源储能配置方案，并将若干新能源储能配置方案结合新能源发-储分布图进行可视化展示。
10、进一步地，新能源发电站包括风力发电站、光伏发电站以及风光互补发电站；
11、风力发电站包括若干风电机组，光伏发电站包括若干光伏机组，风光互补发电站包括若干风电机组和若干光伏机组；
12、新能源储能系统包括电池储能系统、动力电池储能系统、压缩空气储能系统、超级电容器储能系统以及热储能系统。
13、进一步地，根据若干区域的新能源发电站、新能源储能系统以及输电线路的位置数据，构建区域融合的新能源发-储分布图，包括如下步骤：
14、根据若干区域的新能源发电站的位置数据，设置若干主节点；
15、根据若干区域的新能源储能系统的位置数据，设置若干次节点；
16、根据若干区域的输电线路的位置数据，设置若干离散节点，并根据输电线路两端连接的主节点/次节点，对同一输电线路的若干离散节点进行连接和平滑处理，得到若干边；
17、根据若干主节点、若干次节点以及若干边，构建区域融合的新能源发-储分布图。
18、进一步地，对新能源发-储分布图中的若干新能源储能系统进行归属划分，得到每一新能源发电站的附属储能集群，包括如下步骤：
19、基于新能源发-储分布图，将若干主节点作为若干聚类中心，并获取若干次节点到若干聚类中心的欧式距离；
20、若当前的次节点到任一聚类中心的欧式距离最短，且次节点与聚类中心之间存在对应的边，则将当前的次节点划分至对应的聚类中心，否则，寻找欧式距离较短的下一聚类中心，并重复本步骤；
21、遍历所有的次节点，得到每一新能源发电站的附属储能集群。
22、进一步地，发电功率预测模型基于cnn-bigru-attention-kelm算法构建，发电功率预测模型包括依次连接的输入层、基于cnn算法构建的空间特征提取层、基于bigru算法构建的空间特征学习层、基于attention算法构建的注意力权重层、基于kelm算法构建的误差预测层以及输出层；
23、发电功率预测模型的构建方法，包括如下步骤：
24、采集新能源发电站的历史运行数据集，使用改进灰色关联度分析法对历史运行数据集进行关联度聚类，得到不同机组配置下的相似数据集；
25、使用pca分析法对不同机组配置下的相似数据集进行数据降维，得到不同机组配置下的历史模型训练数据集；
26、根据历史模型训练数据集，使用cnn-bigru-attention-kelm算法，构建发电功率预测模型。
27、进一步地，采集新能源发电站的实时运行数据，并根据实时运行数据，使用发电功率预测模型，进行发电功率预测，得到新能源发电站的发电功率预测数据，包括如下步骤：
28、采集新能源发电站的实时运行数据，并使用pca分析法对当前机组配置下的实时运行数据进行数据降维，得到实时运行关键数据，并将实时运行关键数据输入发电功率预测模型的输入层；
29、使用空间特征提取层提取实时运行关键数据的空间特征，并将空间特征输入特征学习层；
30、使用注意力权重层设置特征学习层的输出注意力权重值；
31、根据输出注意力权重值，使用特征学习层获取实时运行关键数据的原始预测值；
32、获取原始预测值与真实值的原始误差值，并使用误差预测层对原始误差值进行修正，得到预测误差值；
33、根据实时运行关键数据的原始预测值和预测误差值，使用输出层输出最终预测值，即新能源发电站的发电功率预测数据。
34、进一步地，新能源发电站的消纳目标函数的公式为：
35、
36、式中，f1为新能源发电站的消纳目标函数；pwt,i为风电机组i的发电功率预测数据；ppv,j为光伏机组j的发电功率预测数据；i为新能源发电站的风电机组指示量；j为新能源发电站的光伏机组指示量。
37、进一步地，附属储能集群的成本目标函数的公式为：
38、
39、式中，f2为附属储能集群的成本目标函数；fin,k为新能源储能系统k的投资成本；c为等年制系数；fon,k为新能源储能系统k的运行维护成本；fex,k为新能源储能系统k的容量扩建成本；α为新能源储能系统k的容量扩建比例系数；k为新能源储能系统指示量；k为附属储能集群的新能源储能系统总数。
40、进一步地，新能源储能配置模型基于ifwa寻优算法构建；
41、根据消纳目标函数和对应的成本目标函数，使用新能源储能配置模型，进行新能源储能配置，得到新能源储能配置方案，包括如本文档来自技高网...
【技术保护点】
1.一种新能源储能配置方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种新能源储能配置方法，其特征在于，所述的新能源发电站包括风力发电站、光伏发电站以及风光互补发电站；
3.根据权利要求1所述的一种新能源储能配置方法，其特征在于，根据若干区域的新能源发电站、新能源储能系统以及输电线路的位置数据，构建区域融合的新能源发-储分布图，包括如下步骤：
4.根据权利要求3所述的一种新能源储能配置方法，其特征在于，对新能源发-储分布图中的若干新能源储能系统进行归属划分，得到每一新能源发电站的附属储能集群，包括如下步骤：
5.根据权利要求1所述的一种新能源储能配置方法，其特征在于，所述的发电功率预测模型基于CNN-BiGRU-Attention-KELM算法构建，所述的发电功率预测模型包括依次连接的输入层、基于CNN算法构建的空间特征提取层、基于BiGRU算法构建的空间特征学习层、基于Attention算法构建的注意力权重层、基于KELM算法构建的误差预测层以及输出层；
6.根据权利要求5所述的一种新能源储能配置方法，其特
7.根据权利要求2所述的一种新能源储能配置方法，其特征在于，所述的新能源发电站的消纳目标函数的公式为：
8.根据权利要求2述的一种新能源储能配置方法，其特征在于，所述的附属储能集群的成本目标函数的公式为：
9.根据权利要求1述的一种新能源储能配置方法，其特征在于，所述的新能源储能配置模型基于IFWA寻优算法构建；
10.一种新能源储能配置系统，用于实现如权利要求1-9任一所述的新能源储能配置方法，其特征在于，所述的系统包括依次连接的分布图构建单元、储能系统归属划分单元、发电功率预测单元、目标函数构建单元、新能源储能配置单元以及储能配置方案可视化单元；
...【技术特征摘要】
1.一种新能源储能配置方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种新能源储能配置方法，其特征在于，所述的新能源发电站包括风力发电站、光伏发电站以及风光互补发电站；
3.根据权利要求1所述的一种新能源储能配置方法，其特征在于，根据若干区域的新能源发电站、新能源储能系统以及输电线路的位置数据，构建区域融合的新能源发-储分布图，包括如下步骤：
4.根据权利要求3所述的一种新能源储能配置方法，其特征在于，对新能源发-储分布图中的若干新能源储能系统进行归属划分，得到每一新能源发电站的附属储能集群，包括如下步骤：
5.根据权利要求1所述的一种新能源储能配置方法，其特征在于，所述的发电功率预测模型基于cnn-bigru-attention-kelm算法构建，所述的发电功率预测模型包括依次连接的输入层、基于cnn算法构建的空间特征提取层、基于bigru算法构建的空间特征学习层、基于attention算法构建的注意力...
【专利技术属性】
技术研发人员：刘动，刘长林，马文营，王燕，牟磊，金岭，张文军，贾鹏字，张强，
申请(专利权)人：北京潞电电力建设有限公司，
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。