基于多层级协同与自适应算法的新能源并网电压控制方法与流程
本发明涉及风力发电,具体地说,涉及基于多层级协同与自适应算法的新能源并网电压控制方法。
背景技术:
1、基于多层级协同与自适应算法的新能源并网电压控制方法,主要用于解决风光储一体化电站并网过程中,风光出力波动引发的并网节点电压、频率不稳定问题,优化储能调峰作用与功率预测精度,降低电网运行成本,提升新能源消纳能力,保障电网安全稳定运行,适配风光储一体化电站的实际运行需求;
2、现有技术中,针对传统新能源并网电压控制,多采用单一参数评估风光出力冲击,通过电压越限后的被动响应模式调节储能设备,且缺乏云端-边端-终端多层级协同机制,各层级数据无法有效互通,功率预测多依赖传统模型,未充分结合风光出力的时空特征与强冲击概率进行优化,仅能实现基础的电压调节与功率预测,无法适配复杂工况下的电站运行需求;
3、然而在实际电站过程中,存在诸多缺陷,以地处北方多风区域的风光储一体化电站为例,具体表现为:春季风速骤变、夏季云层快速遮挡光伏阵列,导致风光出力剧烈波动,像海浪一样冲击电网,引起并网节点电压和频率波动,而传统新能源并网电压控制无法精准评估波动幅度、速率和概率,只能在并网节点电压越限后被动响应,电网调度控制中心需预留大量缓冲资源,增加运行成本,且存在电压越限风险,不符合风光储一体化优化储能调峰作用的要求;同时,电站风光出力时空特征复杂,不同风电场因地形差异风速分布不同,光伏电站受天气影响出力波动规律不一,传统新能源并网电压控制缺乏云端-边端-终端多层级协同机制,各层级数据无法有效互通,导致传统预测模型时空特征不明确、功率预测误差大,此前电网调度控制中心需预留200mw火电备用容量(占电站总装机20%)来弥补预测偏差,大幅增加了电站运行成本,也挤占了新能源消纳空间,不符合优先发展新能源、提升综合竞争力的发展要求,于是,我们提供了一种基于多层级协同与自适应算法的新能源并网电压控制方法。
技术实现思路
1、本发明的目的在于提供基于多层级协同与自适应算法的新能源并网电压控制方法,以解决上述背景技术中提出的问题。
2、为实现上述目的,提供一种基于多层级协同与自适应算法的新能源并网电压控制方法,包括如下方法步骤:
3、s1、采集风力发电和光伏发电相关的运行数据,进行去噪和归一化处理后,得到包含风力发电出力数据与光伏出力数据的标准化数据集;
4、基于所述标准化数据集中的实时风力发电出力占比与基准风力发电出力占比的动态偏差,对风力发电初始权重系数和光伏初始权重系数进行自适应调整,得到风力发电最终权重系数和光伏最终权重系数;
5、根据所述标准化数据集中的风力发电出力变化率和光伏出力变化率,结合所述风力发电最终权重系数和光伏最终权重系数,加权计算得到一个用于量化风光协同波动对电网冲击强度的综合波动冲击因子;根据所述综合波动冲击因子的大小,划分对应的冲击等级;
6、s2、基于所述标准化数据集,采用滚动预测方法预测未来时刻的风力发电出力预测值和光伏出力预测值,并结合所述风力发电最终权重系数和光伏最终权重系数,计算未来时刻的综合波动冲击因子预测值;
7、获取当前时刻的综合波动冲击因子以及上一采集周期的综合波动冲击因子,结合所述未来时刻的综合波动冲击因子预测值,计算用于表征冲击特性的冲击评估数据,所述冲击评估数据至少包括冲击幅度、冲击速率和强冲击概率;
8、根据所述冲击等级,选取对应的自适应调节系数,所述自适应调节系数为独立于所述权重系数的储能功率调节系数;基于所述综合波动冲击因子、所述自适应调节系数以及储能设备的额定充放电功率,动态计算当前时刻的储能设备充放电功率,并控制储能设备按照该充放电功率调整充放电状态;
9、s3、获取电站的长期历史数据,并将所述长期历史数据与所述冲击评估数据、所述标准化数据集进行时间对齐与空间汇总,提取得到时空-冲击融合特征;基于预设的时间窗口,将所述时空-冲击融合特征构建成多维耦合的时空特征矩阵;
10、s4、利用所述长期历史数据和所述时空-冲击融合特征,生成初始预测系数矩阵;结合所述时空特征矩阵与所述预测系数矩阵,计算初始预测误差,并叠加所述初始预测误差,形成超短期功率预测值;提取超短期预测误差峰值并计算实际需要配置的火电备用容量,用于在出现出力缺口时快速补足。
11、优选地,所述风力发电最终权重系数和光伏最终权重系数的确定方法包括如下步骤:
12、基于电站风力发电和光伏总装机占比设定风力发电初始权重系数和光伏初始权重系数;
13、基于标准化数据集中的风力发电出力和光伏出力计算实时风力发电出力占比,根据实时风力发电出力占比与基准风力发电出力占比计算出力偏差;
14、通过出力偏差计算调整权重系数,结合初始权重系数动态调整对应的权重系数,得到风力发电最终权重系数和光伏最终权重系数。
15、优选地,所述综合波动冲击因子通过如下步骤计算得到:
16、获取步骤s1计算得到的综合波动冲击因子;
17、通过风力发电出力和光伏出力分别计算两类出力变化率并做归一化处理,得到归一化风力发电出力变化率和归一化光伏出力变化率;
18、对归一化风力发电出力变化率和归一化光伏出力变化率分别取绝对值,结合风力发电最终权重系数和光伏最终权重系数加权耦合两类绝对出力变化速率,构建综合波动冲击因子。
19、优选地,所述计算冲击评估数据和储能设备充放电功率包括如下方法步骤:
20、通过预测时域和预测步长得到总预测时刻点数量,遍历综合波动冲击因子预测值得到冲击幅度;
21、计算相邻时刻冲击因子的变化量得到冲击速率;
22、基于总预测时刻点数量计算强冲击概率,并与冲击幅度和冲击速率形成冲击评估数据;
23、基于计算得到的综合波动冲击因子耦合自适应调节系数γ,构建动态调控模型并计算储能设备充放电功率。
24、优选地,所述自适应调节系数包括如下方法步骤:
25、按所述冲击等级取用对应的自适应调节系数:
26、设定强冲击阈值和低冲击阈值,当综合波动冲击因子大于或等于强冲击阈值时,记录对应的自适应调节系数;
27、当综合波动冲击因子大于或等于低冲击阈值,且综合波动冲击因子小于强冲击阈值时,记录对应的自适应调节系数;
28、当综合波动冲击因子小于低冲击阈值时,记录对应的自适应调节系数。
29、优选地,所述提取时空-冲击融合特征包括如下方法步骤:
30、获取步骤s1步计算得到的综合波动冲击因子及步骤s2计算得到的冲击评估数据;
31、将所述冲击评估数据与所述标准化数据集进行时间对齐,结合调用电站长期历史数据,以预设的时间窗口为基准进行时序对齐与空间汇总;
32、基于风速提取空间特征向量,基于风力发电出力和辐照度提取时间特征向量,将空间特征向量与时间特征向量融合,得到风光出力时空特征;
33、将所述综合波动冲击因子、冲击幅度、冲击速率和强冲击概率构成冲击因子特征,将所述冲击因子特征与所述风光出力时空特征进行联动融合,提取得到时空-冲击融合特征。
34、优选地,所述构建多维耦合时空特征矩阵包括如下方法步骤:
35、矩阵纵向排布全时序样本,每组时序样本同步包含风力发电和光伏主体特征;
36、横向划分为三大核心特征列,分别承载风力发电出力和光伏出力、风速和辐照度、各时刻综合波动冲击因子。
37、优选地,所述生成预测系数矩阵和超短期功率预测值包括如下方法步骤:
38、结合长期历史数据与时空-冲击融合特征,生成耦合多层级协同数据的预测系数矩阵;
39、以预测系数矩阵为纽带耦合运算得到基础预测值后,再计算初始预测误差作为强化学习模型的状态;
40、基于基础预测值叠加初始预测误差,最终形成超短期功率预测值。
41、优选地,所述强化学习模型包括如下方法步骤:
42、累加超短期预测误差平方项,引入修正系数关联强冲击概率与超短期预测误差,构建强化学习奖励函数;
43、通过强化学习奖励函数对预测系数矩阵求偏导并得梯度,再根据梯度计算预测系数矩阵的动态调整量,并作为构建强化学习模型的动作;
44、以状态为输入、动作为优化输出,强化学习奖励函数为迭代反馈,结合梯度与学习率完成强化学习模型构建。
45、优选地,计算实际配置的火电备用容量包括如下方法步骤:
46、通过预测系数矩阵、时空-冲击融合特征,以及电站长期历史数据进行迭代优化,迭代优化预测系数矩阵后并记录预测误差数据;
47、结合优化的预测系数矩阵、时空特征矩阵和预测误差数据输出优化后的出力预测值;
48、获取预测误差最大值,结合优化后出力预测值计算得到实际配置的火电备用容量。
49、与现有技术相比,本发明的有益效果:
50、1、该基于多层级协同与自适应算法的新能源并网电压控制方法,基于标准化数据集并构建输入样本窗口,预测未来1分钟的风电出力预测值,并结合最终权重系数计算综合波动冲击因子预测值,再计算冲击评估数据,按冲击等级取自适应调节系数,利用自适应调节系数动态计算储能设备充放电功率,按储能设备充放电功率调整充放电,通过融入综合波动冲击因子的mpc目标函数实现主动预判,结合标准化数据集中的风电、光伏实时波动数据,实现了冲击参数的主动预测与储能缓冲的提前启动,彻底解决了传统方法中无法精准评估冲击幅度、速率、概率,且只能在并网节点电压越限后被动响应的核心缺陷;同时,综合波动冲击因子进行出力占比动态调整,既能适配春季风速骤变导致的风电强冲击,也能适配夏季云层遮挡引发的光伏出力突变,完美适配不同季节、不同时段的风光出力波动特点,相较于传统单一参数评估冲击的方法,提升了整体的评估精度和适配性。
51、2、该基于多层级协同与自适应算法的新能源并网电压控制方法,获取长期历史数据,结合时空-冲击融合特征,生成预测系数矩阵,并结合时空特征矩阵计算初始预测误差,再叠加初始预测误差,形成超短期功率预测值;获取未来60分钟超短期预测误差峰值并计算实际配置的火电备用容量,当电网出现短时出力缺口时,直接调用实际配置的火电备用容量,命令火电机组快速增发出力补上出力缺口,通过时空特征矩阵和预测系数矩阵,强化学习模型的多层级协同架构动态修正预测误差,适配电站复杂的时空特征和冲击频发的特点,再以强冲击概率优化强化学习奖励函数,解决了传统预测模型时空特征不明确、误差大的缺陷,使强化学习模型更贴合电站实际运行场景,从而提升了预测精度。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com