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】
本专利技术属于电热混合储能,尤其涉及一种考虑风电不确定性的电热混合储能容量配置方法及装置。
技术介绍
1、随着能源危机和环境污染问题的愈发严重,各国寻求可再生能源逐步代替化石能源已成为共识。
2、风电作为主要新能源发电形式之一,其装机容量逐年增长。截至2022年底,我国风电装机已达3.7亿千瓦。到2030年我国风电装机容量还将得到进一步提升。但是,由于风电具有不确定性,为保障电力系统的安全运行,需要配套储能设备。目前,尚未有一种综合考虑风电不确定性和储能成本最小化的方法,从而导致所获得的优化定容和调控结果不能满足电网实际运行的需要。
3、因此,亟待本领域技术人员不断的进行新的技术更新和研发工作。
技术实现思路
1、针对上述现有技术中存在的不足之处,本专利技术提供了一种考虑风电不确定性的电热混合储能容量配置方法。其目的是为了解决当前风电储能配套设施存在的不确定性和储能成本最小化问题,以实现新能源最大利用率和电力系统的安全运行,提高风电系统的可靠性和经济性的专利技术目的。
2、本专利技术为实现上述目的所采用的技术方案是:
3、考虑风电不确定性的电热混合储能容量配置方法,包括以下步骤:
4、步骤1.获取风电厂各风机的历史风速数据,进行归一化处理;
5、步骤2.利用灰色gm(1,1)模型对归一化处理后的数据进行初步风速预测,得到初步风速预测序列;
6、步骤3.基于步骤2得到的初步风速预测序列,结合数值天气预
7、步骤4.基于步骤3得到的风速预测序列,利用实测风速序列,建立风电功率预测误差模型,得到预测误差序列;
8、步骤5.对步骤4得到的预测误差序列采用自适应变分模态分解方法,确定热储能、电池储能分别补偿的频率分量;
9、步骤6.利用步骤5得到的风电功率预测误差频率分量,构建电热混合储能优化定容模型;
10、步骤7.利用粒子群优化算法求解步骤6中的优化定容模型,得到基于风电不确定性量化的混合储能容量配置结果。
11、更进一步的,所述获取风电厂各风机的历史风速数据,进行归一化处理,如下式所示:
12、
13、得到归一化处理后的数据时间序列:
14、x(0)=(x(0)(1),x(0)(2),...,x(0)(t))。
15、更进一步的,所述利用灰色gm(1,1)模型对归一化处理后的数据进行初步风速预测,得到初步风速预测数据序列;包括以下步骤:
16、步骤21.对给定的少量归一化处理后的样本数据进行一阶累加生成,得到新的数据序列:
17、x(1)=(x(1)(1),x(1)(2),...,x(1)(t))
18、其计算表示为:
19、
20、其中:x(0)为原始数据,k=1,2,…,t,x(t)为t时刻的风速数据,i为风速数据的时刻标签;
21、步骤22.依照灰色gm(1,1)模型建立灰色系统预测模型,对归一化处理后的样本数据分别进行预测,得到初步风速预测数据序列:
22、
23、更进一步的,所述所述基于步骤2得到的初步风速预测序列,结合数值天气预报数据,搭建并训练用于进一步预测风速的神经网络模型bp,即back propagation,得到风速预测序列,并对得到的风速预测序列进行反归一化处理,包括:
24、步骤31.利用步骤2生成的风速预测数据序列以及数值天气预报的气象数据作为输入层,实测历史风速数据作为输出层,训练bp神经网络模型,得到基于灰色模型预测和bp神经网络模型的风速预测数据序列:
25、
26、步骤32.对风速预测结果进行反归一化处理,如下式所示:
27、x=(max(x)-min(x))x*+min(x)
28、得到反归一化处理后的数据时间序列:
29、
30、更进一步的,所述基于步骤3得到的风速预测序列,利用实测风速序列,建立风电功率预测误差模型,得到预测误差序列,包括:
31、步骤41.根据风机的风电功率-风速对应关系,求得风速预测值对应的风电功率预测值;
32、步骤42.风电功率预测误差为风电功率实测值与预测值之差,可得预测误差序列δpw为:
33、
34、其中,pr=(pr(1),pr(2),...,pr(t))为风电功率实测序列。
35、更进一步的,所述对步骤4得到的预测误差序列采用自适应变分模态分解方法,确定热储能、电池储能分别补偿的频率分量,包括:
36、步骤51.对于所获得的预测误差序列δpw,经过变分模态分解后得到的结果表示如下:
37、
38、其中,δpw=(δpw(1),δpw(2),...,δpw(t))为风电功率预测误差序列,u(i)表示风电功率预测误差的第i个模态分量,k为模态分量个数;
39、步骤52.自适应变分模态分解方法所提取的预测误差的风电低频和中高频分量表示如下:
40、phs=u(1)+u(2)+...+u(l)
41、pbess=u(l+1)+...+u(k)
42、其中,phs为热储能额功率,pbess为电池储能功率,模态分量u(1),…,u(l)提取了风电预测误差中需要分给热储能的低频分量,而模态分量u(l+1),…,u(k)则提取了风电预测误差中需要分给电池的中高频分量。
43、更进一步的,所述利用步骤5得到的风电功率预测误差频率分量,构建电热混合储能优化定容模型,包括:
44、步骤61.配置目标为储能总成本最小,目标函数表示为:
45、
46、其中,和为电池储能和热储能的单位容量日分摊成本;ebess和pbess为电池储能的额定容量和额定功率;和为电池储能和热储能的单位功率日分摊成本;ehs和phs为热储能的额定容量和额定功率;
47、步骤62.约束条件如下:
48、预测误差功率平衡:
49、δpw=pbess+phs
50、电池储能充放电功率约束:
51、
52、其中,为电池储能功率配置的上限值;
53、热储能充放电功率约束:
54、
55、其中,为热储能功率配置的上限值;
56、电池储能容量约束:
57、
58、其中,分别为电池储能荷电状态的下限和上限;为电池储能容量配置的上限值;
59、热储能容量约束:
60、
61、其中,分别为热储能荷电状态的下限和上限;为热储能容量配置的上限值。
62、考虑风电不确定性的电热混合本文档来自技高网...
【技术保护点】
1.考虑风电不确定性的电热混合储能容量配置方法,其特征是:包括以下步骤:步骤1.获取风电厂各风机的历史风速数据,进行归一化处理;步骤2.利用灰色GM(1,1)模型对归一化处理后的数据进行初步风速预测,得到初步风速预测序列;步骤3.利用步骤2得到的初步风速预测序列,结合数值天气预报数据,搭建并训练用于进一步预测风速的神经网络模型,得到风速预测序列,并对得到的风速预测序列进行反归一化处理;步骤4.基于步骤3得到的风速预测序列,利用实测风速序列,建立风电功率预测误差模型,得到预测误差序列;步骤5.对步骤4得到的预测误差序列采用自适应变分模态分解方法,确定热储能、电池储能分别补偿的频率分量;步骤6.利用步骤5得到的风电功率预测误差频率分量,构建电热混合储能优化定容模型;步骤7.利用粒子群优化算法求解步骤6中的优化定容模型,得到基于风电不确定性量化的混合储能容量配置结果。
2.根据权利要求1所述的考虑风电不确定性的电热混合储能容量配置方法,其特征是:所述获取风电厂各风机的历史风速数据,进行归一化处理,如下式所示:
3.根据权利要求1所述的考虑风电不确定性的电热混合储
4.根据权利要求1所述的考虑风电不确定性的电热混合储能容量配置方法,其特征是:所述基于步骤3得到的风速预测序列,利用实测风速序列,建立风电功率预测误差模型,得到预测误差序列,包括:
5.根据权利要求1所述的考虑风电不确定性的电热混合储能容量配置方法,其特征是:所述对步骤4得到的预测误差序列采用自适应变分模态分解方法,确定热储能、电池储能分别补偿的频率分量,包括:
6.根据权利要求1所述的考虑风电不确定性的电热混合储能容量配置方法,其特征是:所述利用步骤5得到的风电功率预测误差频率分量,构建电热混合储能优化定容模型,包括:
7.考虑风电不确定性的电热混合储能容量配置装置,其特征是:包括:
8.根据权利要求7所述的考虑风电不确定性的电热混合储能容量配置装置,其特征是:所述获取风电厂各风机的历史风速数据,进行归一化处理,如下式所示:
9.一种计算机设备,包括存储介质、处理器及存储在存储介质上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1-6中任一权利要求所述的考虑风电不确定性的电热混合储能容量配置方法的步骤。
10.一种计算机存储介质,其特征是:所述存储介质上存有计算机程序,所述计算机程序被处理器执行时实现权利要求1-6中任一权利要求所述的考虑风电不确定性的电热混合储能容量配置方法步骤。
...【技术特征摘要】
1.考虑风电不确定性的电热混合储能容量配置方法,其特征是:包括以下步骤:步骤1.获取风电厂各风机的历史风速数据,进行归一化处理;步骤2.利用灰色gm(1,1)模型对归一化处理后的数据进行初步风速预测,得到初步风速预测序列;步骤3.利用步骤2得到的初步风速预测序列,结合数值天气预报数据,搭建并训练用于进一步预测风速的神经网络模型,得到风速预测序列,并对得到的风速预测序列进行反归一化处理;步骤4.基于步骤3得到的风速预测序列,利用实测风速序列,建立风电功率预测误差模型,得到预测误差序列;步骤5.对步骤4得到的预测误差序列采用自适应变分模态分解方法,确定热储能、电池储能分别补偿的频率分量;步骤6.利用步骤5得到的风电功率预测误差频率分量,构建电热混合储能优化定容模型;步骤7.利用粒子群优化算法求解步骤6中的优化定容模型,得到基于风电不确定性量化的混合储能容量配置结果。
2.根据权利要求1所述的考虑风电不确定性的电热混合储能容量配置方法,其特征是:所述获取风电厂各风机的历史风速数据,进行归一化处理,如下式所示:
3.根据权利要求1所述的考虑风电不确定性的电热混合储能容量配置方法,其特征是:所述利用步骤2得到的初步风速预测序列,结合数值天气预报数据,搭建并训练用于进一步预测风速的神经网络模型,得到风速预测序列,并对得到的风速预测序列进行反归一化处理,包括:
4.根...
【专利技术属性】
技术研发人员:李家珏,张潇桐,刘一涛,戈阳阳,宋政湘,杨騉,李平,袁鹏,谢冰,
申请(专利权)人:国网辽宁省电力有限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。