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】
本专利技术涉及新能源电网储能控制,具体涉及一种基于智能配电设备的储能容量配置方法。
技术介绍
1、随着光伏发电技术的不断发展,光伏发电系统在电力系统中占据越来越重要的地位。为了更好地整合光伏发电系统,需要合理配置储能容量,以应对不可预测的天气变化和光伏发电的间歇性特性。光伏储能系统的规划需要与政府政策、可再生能源目标等相一致,以促进可持续能源的应用,减少对传统能源的依赖。
2、光伏发电与储能系统的组合允许将光伏系统从纯粹的基于功率的瞬时发电系统转换为基于能量的可调度发电资源。因此,如何提出一种储能容量配置方法,以实现更有效的储能规模和整体电网资产规划,同时防止由于过度循环而导致电池寿命缩短而导致电池成本增加,成为目前亟待解决的问题。
技术实现思路
1、有鉴于此,本专利技术实施例提供了一种基于智能配电设备的储能容量最优配置方法,以解决现有技术中光伏发电与储能系统的问题。
2、本专利技术实施例提供了一种基于智能配电设备的储能容量配置方法,包括:
3、获取气象数据、电网状态数据和智能配电设备的状态数据,并对所有数据进行预处理;
4、通过基于convtrans神经网络的预估模型分别进行负荷预测和光伏发电预测;
5、根据光伏发电预估功率与实际光伏发电功率的差值以及负荷预估功率与负荷功率的差值获取各时刻的过剩功率或缺额功率;
6、将各时刻的过剩功率和各时刻的缺额功率在时间轴上积分,根据一定时间段内的过剩能量峰值或缺额能量峰
7、其中,智能配电设备的状态数据包括:光伏实时发电功率、光伏历史发电功率、实时负荷数据、历史负荷曲线和设备状态数据;气象数据包括:温度、湿度、气溶胶浓度、云量、光照强度、风速和天气。
8、可选地,对所有数据进行预处理,包括:
9、异常数据识别和缺失数据填补;其中,通过k近邻补全算法对异常值和/或缺失值进行填补。
10、可选地,k近邻补全算法包括:
11、通过距离测量来识别异常值和/或缺失值在数据集中的相邻点;
12、利用相邻观测值的完备值来估计异常值和/或缺失值;
13、其中,距离测量采用欧式距离来计算:
14、;
15、其中,;; 为第k个特征的值;i、j、k和m为自然数。
16、可选地,对所有数据进行预处理,还包括:
17、通过皮尔逊相关系数进行特征选择,筛选出与光伏以及负荷输出功率相关的特征;
18、其中,皮尔逊相关系数计算方法包括:
19、;
20、其中,m为采样总数,as为第s时刻气象参数,为气象参数平均值;bs为第s时刻光伏输出功率,为光伏输出功率的平均值。
21、可选地,基于convtrans神经网络的预估模型的构建包括:
22、将训练集的平面辐射数据信息、数值天气预报、气象数据、电站逆变器和电池硬件信息作为光伏预测模型的特征输入,将光伏电站的历史实测发电量作为输出;
23、将日期时间、气象数据、假日信息作为负荷预测模型的特征输入,将历史负荷数据作为输出;
24、其中,光伏预测模型和/或负荷预测模型为:
25、;
26、其中,xt为基于convtrans神经网络的预估模型的输入,输入的神经元的数量为n;为中间的隐藏层;为基于convtrans神经网络的预估模型的输出,表示t+1时间点的光伏发电功率或负荷功率的预测值,其输出神经元的个数为1个;是在时间t的第k个特征的值;、和为可学习的线性权值;为向量的维度;softmax(*)函数为将结果归一化为概率分布;l、l为自然数。
27、可选地,基于convtrans神经网络的预估模型的构建还包括:
28、选取均方根误差、平均绝对误差和决定系数这三个评估指标对预估模型进行分析和评估;
29、其中,均方根误差表示实际值和预测值残差的标准偏差,其计算公式为:
30、;
31、平均绝对误差表示实际值和预测值之间的平均偏差,其计算公式为:
32、;
33、决定系数表示回归模型预测值和实际值之间的拟合度,其计算公式为:
34、;
35、其中,n代表样本数;表示i时刻的功率真实值;表示i时刻的功率预测值;表示n个实际功率值的平均值。
36、可选地,根据光伏发电预估功率与实际光伏发电功率的差值以及负荷预估功率与负荷功率的差值获取各时刻的过剩功率或缺额功率,包括:
37、根据配电网的有功负荷功率和实际光伏发电功率的差值获取主电网的发电计划pgrid;
38、将主电网的发电计划pgrid与负荷预估功率和光伏发电预估功率之间的差值进行比较;
39、若主电网的发电计划pgrid大于负荷预估功率和光伏发电预估功率之间的差值,则由储能装置吸收过剩功率;
40、若主电网的发电计划pgrid小于负荷预估功率和光伏发电预估功率之间的差值,则由储能装置补偿缺额功率。
41、可选地,还包括:
42、根据离散时间分布的储能装置的能量吸收或功率补偿情况,按月度、季度或年度的时间跨度获取整定的储能容量,对储能装置进行定时维护。
43、本专利技术的有益效果:
44、本专利技术实施例提供了一种基于智能配电设备的储能容量配置方法,通过利用智能配电设备获取的数据来利用先进的算法进行智能控制和优化,合理配置储能容量,可以平衡电网负荷,减少对传统发电的依赖,从而提高系统的响应速度和整体性能,提高电力系统的可靠性和灵活性。
本文档来自技高网...【技术保护点】
1.一种基于智能配电设备的储能容量配置方法,其特征在于,包括:
2.根据权利要求1所述的基于智能配电设备的储能容量配置方法,其特征在于,所述智能配电设备的状态数据包括:光伏实时发电功率、光伏历史发电功率、实时负荷数据、历史负荷曲线和设备状态数据;所述气象数据包括:温度、湿度、气溶胶浓度、云量、光照强度、风速和天气。
3.根据权利要求2所述的基于智能配电设备的储能容量配置方法,其特征在于,对所有所述数据进行预处理,包括:
4.根据权利要求3所述的基于智能配电设备的储能容量配置方法,其特征在于,所述K近邻补全算法包括:
5.根据权利要求2所述的基于智能配电设备的储能容量配置方法,其特征在于,对所有所述数据进行预处理,还包括:
6.根据权利要求2所述的基于智能配电设备的储能容量配置方法,其特征在于,所述基于ConvTrans神经网络的预估模型的构建包括:
7.根据权利要求6所述的基于智能配电设备的储能容量配置方法,其特征在于,所述基于ConvTrans神经网络的预估模型的构建还包括:
8.根据权利要求2
9.根据权利要求8所述的基于智能配电设备的储能容量配置方法,其特征在于,还包括:
...【技术特征摘要】
1.一种基于智能配电设备的储能容量配置方法,其特征在于,包括:
2.根据权利要求1所述的基于智能配电设备的储能容量配置方法,其特征在于,所述智能配电设备的状态数据包括:光伏实时发电功率、光伏历史发电功率、实时负荷数据、历史负荷曲线和设备状态数据;所述气象数据包括:温度、湿度、气溶胶浓度、云量、光照强度、风速和天气。
3.根据权利要求2所述的基于智能配电设备的储能容量配置方法,其特征在于,对所有所述数据进行预处理,包括:
4.根据权利要求3所述的基于智能配电设备的储能容量配置方法,其特征在于,所述k近邻补全算法包括:
5.根据权利要求2所述的基于智能配电设备的储能容量配置方法...
【专利技术属性】
技术研发人员:孙伟,徐斌,王小宇,杨小平,
申请(专利权)人:大航有能电气有限公司,
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。