风光储氢氨醇一体化供电系统超短期净负荷两阶段预测法的制作方法
本发明涉及新能源电力系统预测与运行调控,尤其涉及一种面向风光储氢氨醇一体化供电系统调控的超短期净负荷两阶段预测方法。
背景技术:
1、风光储氢氨醇一体化项目将风电、光伏发电、储能、制氢、合成氨、合成甲醇以及项目内部用电等环节耦合在同一供电系统中。该类系统具有新能源出力波动明显、化工生产负荷连续性强、源荷关系紧密以及外部电网支撑能力受限等特点。净负荷能够反映风电和光伏出力抵消化工生产负荷及其他用电负荷后的剩余功率需求,是供电系统短时调控、化工生产计划校核和新能源出力协调的重要依据。
2、现有净负荷预测方法通常将系统总负荷扣除风电、光伏等新能源出力后形成单一净负荷时间序列,再利用时间序列模型、机器学习模型或深度学习模型直接预测未来净负荷。该类方法在常规电网和一般负荷预测中具有实现简单的特点,但在风光储氢氨醇一体化项目中存在适用性不足的问题。
3、其原因在于,该类项目的净负荷并非单一历史序列自然延续的结果,而是由源侧风电、光伏出力与荷侧化工生产计划共同决定的复合功率量。风电和光伏出力受自然资源条件影响,具有随机性和短时波动性;制氢、合成氨、合成甲醇等化工生产负荷主要受生产任务、运行档位、设备状态和工艺安全约束影响,具有计划性和可解释性。当生产计划或运行档位发生调整时,未来负荷曲线可能显著偏离历史净负荷序列的统计惯性。
4、因此,若仍以历史净负荷序列作为唯一预测对象进行直接外推,预测模型难以区分净负荷变化来源于源侧新能源出力波动还是负荷侧生产计划调整,容易在负荷计划切换、新能源出力爬坡以及功率平衡紧张时段产生滞后或局部偏差,不能充分满足一体化项目供电系统短时调控和生产计划校核的工程需求。
技术实现思路
1、本发明的目的在于:提供一种风光储氢氨醇一体化供电系统超短期净负荷两阶段预测法,用于解决传统净负荷直接预测方法难以显式表征源荷构成差异、难以利用化工生产计划信息以及净负荷预测解释性不足等技术问题。
2、为实现上述目的,本发明采用如下技术方案。该方法包括:获取一体化供电系统的历史风电功率、历史光伏功率、时间特征、厂用电负荷、其他用电负荷以及化工生产计划数据;对源荷运行数据进行时间对齐、缺失值填补、异常值修正、归一化处理和滑动窗口样本构造;将源侧预测样本输入基于粒子群优化输出校正的bilstm-attention风光协同预测模型,得到未来预测时域内的风电功率预测值和光伏功率预测值;根据生产计划、运行档位、设备状态和爬坡约束构造化工生产负荷曲线,并叠加厂用电负荷及其他用电负荷得到负荷需求预测值;最后基于源荷分解关系计算净负荷预测值并滚动更新。
3、所述一体化供电系统包括新能源出力单元、化工生产负荷单元、厂用电及其他用电负荷单元、储能单元和外部电网接口。新能源出力单元包括风电和光伏发电;化工生产负荷单元包括制氢、合成氨和合成甲醇等主生产环节;厂用电及其他用电负荷包括辅助设备、控制系统、照明、办公及公共设施等非主生产环节用电。储能单元和外部电网可作为后续调控资源参与功率平衡校核,但不作为本实施例净负荷预测模型的直接输入或输出,本发明所提供电系统净负荷为储能及外网调节前的净负荷。
4、该方法具体步骤如下:
5、步骤s1:获取一体化供电系统的源荷运行数据和生产计划数据;
6、步骤s2:对所述源荷运行数据进行时间对齐、缺失值填补、异常值修正和归一化处理,并按照滑动窗口方式构造源侧预测样本;
7、步骤s3:将所述源侧预测样本输入基于粒子群优化输出校正的双向长短期记忆网络-注意力机制风光协同预测模型,得到未来预测时域内的风电功率预测值和光伏功率预测值;
8、步骤s4:引入粒子群优化算法pso对风电功率预测值和光伏功率预测值进行校正,使校正后的风电功率预测值和光伏功率预测值在整体误差和净负荷传递误差上达到更好状态;
9、步骤s5:根据所述生产计划数据构造未来预测时域内的化工生产负荷曲线,并将所述化工生产负荷曲线与源荷运行数据中的厂用电负荷及其他用电负荷叠加,得到供电系统负荷需求预测值;
10、步骤s6:根据所述供电系统负荷需求预测值、校正后的风电功率预测值和光伏功率预测值,按照源荷分解关系计算未来预测时域内的净负荷预测值,通过所述净负荷预测值判断系统净功率缺额或盈余;
11、步骤s7:在实际滚动预测过程中,在新的实测数据到达后滚动更新历史输入窗口和生产计划数据,重复执行s2至s6,连续输出未来预测时域内的净负荷预测结果。
12、步骤s1中所述源荷运行数据包括历史风电功率、历史光伏功率、时间特征、厂用电负荷及其他用电负荷,所述生产计划数据包括制氢、合成氨和合成甲醇生产环节的运行档位、负荷率、启停安排、设备状态及爬坡约束。
13、所述源侧预测样本为多输入、多输出样本,其中输入包括历史输入窗口内的风电功率、光伏功率和时间特征,输出包括预测时域内的风电功率和光伏功率。
14、步骤s3中的基于粒子群优化输出校正的双向长短期记忆网络-注意力机制风光协同预测模型包括输入层、共享时序特征提取层、时间注意力层和预测输出层;所述输入层用于接收经归一化处理后的历史风电功率、历史光伏功率及时间特征,所述共享时序特征提取层采用双向长短期记忆网络从正向和反向两个方向提取输入窗口内的时序特征,所述时间注意力层用于对不同历史时间步分配权重,所述预测输出层用于同步输出未来预测时域内的风电功率预测值和光伏功率预测值。
15、所述双向长短期记忆网络在各个时间步输出前向隐状态和后向隐状态,并将同一时间步的前向隐状态与后向隐状态拼接形成共享隐状态,由多个时间步的共享隐状态构成共享时序特征序列。
16、所述时间注意力层根据各时间步共享隐状态计算注意力得分,对所述注意力得分进行softmax归一化得到注意力权重,并利用所述注意力权重对共享隐状态加权求和形成上下文向量,所述上下文向量作为所述预测输出层的输入。
17、步骤s4中,所述粒子群优化用于对风电功率预测值和光伏功率预测值进行校正,待优化粒子包括风电预测校正权重、风电预测偏置项、光伏预测校正权重和光伏预测偏置项;粒子群优化以源侧预测误差和净负荷传递误差构成的适应度函数为优化目标,迭代更新粒子速度和粒子位置,直至达到最大迭代次数或适应度函数收敛。
18、步骤s5中,所述构造未来预测时域内的化工生产负荷曲线包括:根据预测时刻对应的生产计划状态确定化工生产目标负荷;根据制氢、合成氨和合成甲醇生产装置的运行档位、负荷率及设备状态修正所述化工生产目标负荷;根据向上调节速率限值和向下调节速率限值对相邻预测时刻的化工生产负荷进行爬坡约束处理。
19、所述生产计划状态按照预设生产运行段划分,每一生产运行段对应至少一个化工生产负荷档位;当生产运行段切换或运行档位调整时,使相邻时刻化工生产负荷的变化量不超过所述向上调节速率限值或向下调节速率限值。
20、步骤s5中,所述计算未来预测时域内的净负荷预测值的方法如下:未来第个预测时刻的净负荷预测值等于该预测时刻的化工生产负荷、厂用电负荷及其他用电负荷之和,减去该预测时刻的风电功率预测值和光伏功率预测值。
21、本发明的有益效果在于:第一,将净负荷预测分解为源侧风光出力预测和荷侧生产计划负荷曲线构造两个阶段,能够显式保留净负荷形成过程中的源荷分解关系;第二,bilstm-attention结构能够提取风电、光伏出力序列中的双向时序特征并识别关键历史时间步,提高对短时波动和爬坡过程的跟踪能力;第三,粒子群优化输出校正能够降低源侧预测误差传递;第四,基于生产计划构造负荷曲线,将确定的生产计划从统计预测对象中剥离,能够避免将化工生产计划变化混入历史净负荷序列进行直接外推,使预测结果更符合风光储氢氨醇一体化项目的实际运行逻辑。
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