基于风光互补的离网型储能系统自适应能量调度方法与流程
本发明涉及储能管理,具体是涉及基于风光互补的离网型储能系统自适应能量调度方法。
背景技术:
1、随着可再生能源技术的快速发展,风能与太阳能因清洁、可再生的特性,成为离网区域(如偏远山区、海岛、野外作业站点)能源供应的核心来源。离网型风光互补储能系统通过整合风电、光伏发电装置与储能设备,可脱离大电网独立满足局部负荷需求,在无电网覆盖或电网可靠性低的场景中具有不可替代的应用价值,已广泛用于通信基站供电、偏远居民生活用电、野外工程临时供电等领域;
2、然而,现有离网型风光互补储能系统的能量调度方法仍存在显著技术缺陷,难以适配风光能源的强波动性、负荷需求的随机性及储能系统的动态特性,导致系统运行效率低、供电可靠性差、储能寿命缩短等问题,具体体现在以下方面:
3、现有调度方法多依赖历史统计数据或简单经验模型进行风光出力预测,未充分融合未来天气数据(如风速、光照强度、温度的短期预报)与实时环境参数(如现场湿度、气压对光伏效率的影响),且缺乏对预测结果的区间化表征,风光能源受天气影响显著,单一的点预测易产生较大偏差,导致后续调度策略与实际出力不匹配,进而引发弃风弃光或负荷缺电问题;传统算法存在惯性权重固定、学习因子单一的问题,易陷入局部最优解,传统算法收敛速度慢,无法及时输出可行调度策略,影响系统实时运行,对此,我们提出了基于风光互补的离网型储能系统自适应能量调度方法。
技术实现思路
1、为解决上述技术问题,提供基于风光互补的离网型储能系统自适应能量调度方法,本技术方案解决了上述的问题。
2、为达到以上目的,本发明采用的技术方案为:基于风光互补的离网型储能系统自适应能量调度方法,调度步骤为:
3、s1、采集数据,包括未来天气数据、储能状态数据、负荷需求与环境参数,对数据预处理后上传;
4、s2、基于未来天气数据对短期风力与光能能量进行预测,生成预测区间;
5、s3、基于获取的数据构建多目标优化函数,设定约束条件,采用改进型粒子群优化算法对多目标优化函数求解,输出能量调度策略,包括风光发电分配比例、储能状态数据与用电源启停时刻;
6、s4、实时采集系统储能状态数据的实际值与预测值的偏差值,基于偏差值大小,采用自适应修正机制,基于强化学习算法对优化函数与修正机制进行更新,对能量调度策略进行完善修正;
7、s5、将最终确定的调度策略下发至储能系统中进行控制调度。
8、优选的,s2步骤中预测通过将预处理后的数据构建为训练样本集,从天气数据中提取风速统计值与光照参数,进行双模型融合预测,结合物理模型与lstm数据驱动模型,按天气稳定性动态加权得到融合预测值,生成预测区间。
9、lstm数据驱动模型结构包括:
10、输入层,包含预处理后的6个特征参数,分别为历史风速、历史光照强度、环境温度、空气密度、光伏板温度与风机运行状态;
11、隐藏层,设置3层lstm单元,每层单元数分别为64、32、16,激活函数采用tanh,每层间加入dropout层,防止过拟合;
12、输出层,采用全连接层,输出未来1-24小时的风力发电功率预测值与光伏发电功率预测值,激活函数采用linear;
13、训练参数,采用adam优化器,学习率初始值设为0.001,通过学习率衰减策略调整;损失函数采用均方根误差(rmse),训练迭代次数设为500轮,当连续20轮验证集损失无下降时停止训练。
14、优选的,物理模型出力计算包括风机理论出力与光伏理论出力,其中风机理论出力计算公式为:
15、
16、其中为空气密度,为风机扫风面积,为风速,为风能利用系数,取值范围为0.4-0.593,为理论出力值;
17、光伏理论出力计算公式为:
18、
19、其中为光照强度,为光伏板面积,为标准效率,为温度系数,为电池板温度,为光伏理论出力值;
20、进行融合预测值计算,计算公式为:
21、
22、其中权重动态调整方式为如下:
23、稳定天气,,为风速标准差;
24、复杂天气,,为光照强度标准差;
25、预测区间计算公式为:
26、上限:;
27、下限:;
28、其中,、分别为模型历史预测误差标准差。
29、本技术天气稳定性判断标准,稳定天气定义为连续6小时内风速标准差≤1.5m/s且光照强度标准差≤50w/㎡;复杂天气定义为连续6小时内风速标准差>1.5m/s或光照强度标准差>50w/㎡;
30、预测区间参数确定,模型历史预测误差标准差σ1、σ2通过近30天的预测值与实际值计算得到,每周更新1次,确保预测区间的准确性。
31、优选的,s3步骤中构建多目标优化函数步骤基于实际应用场景,确定平衡的目标,包括经济性目标、环保性目标、可靠性目标与储能寿命目标;确定后定义决策变量,包括风光发电分配变量、储能系统运行变量、用电源启停变量与电网交互变量;对目标转换为数学表达式,最后关联约束条件,得到多目标优化函数。
32、优选的,s3步骤中采用改进型粒子群优化算法对多目标优化函数求解步骤为:
33、对离子群与算法参数进行初始化处理,对每个粒子,将粒子位置代入多目标优化函数,计算经济性、环保性与可靠性函数值;
34、对比粒子当前位置与历史个体最优解的适应度,若当前位置为支配解,则更新个体最优解为当前位置;若两者为非支配关系,则保留其一;若当前位置为被支配解,则维持原个体最优解;将所有粒子的个体最优解加入临时集合,与现有外部存档合并;
35、基于自适应惯性权重、分级学习因子、个体最优解与全局最优解调整粒子速度,基于更新后的速度调整粒子位置,更新后再次校验约束条件;
36、迭代次数达到预设最大值与外部存档中的非支配解连续10-20轮无改进,则停止迭代;
37、从外部存档的非支配解集中,选择最优解,将该解对应的决策变量转化为具体调度策略,包括各时刻风光发电分配比例、储能充放电状态与剩余容量、可中断用电源启停时刻,形成可执行的能量调度方案。
38、优选的,其中参数包括权重值,权重值调整公式为:
39、
40、其中,为第次迭代的惯性权重,平衡全局搜索与局部优化能力,和分别为最大和最小惯性权重,取值范围为0.9-0.4,为最大迭代次数;
41、调整粒子速度公式为:
42、
43、其中为粒子速度,为粒子位置,为个体最优解,为全局最优解,、为学习因子,为[0,1]随机数。
44、优选的,粒子位置更新公式为:
45、
46、其中为粒子位置,为迭代次数;
47、筛选外部存档中的非支配解,对第个目标函数,排序后中间解的拥挤度为:
48、
49、其中为排序后第m个目标函数下,第j个非支配解的拥挤度,为第m个目标函数下,第j+1个非支配解的目标函数值,为第m个目标函数下,第j-1个非支配解的目标函数值;为第m个目标函数在所有非支配解中的最大值,为第m个目标函数在所有非支配解中的最小值;边界解拥挤度设为无穷大以优先保留。
50、优选的,s4步骤中偏差值计算公式为:
51、
52、其中p为计算得到的偏差值,b1为实际储能状态数据值,b2为预测储能状态数据值;
53、当偏差量小于预设阈值时,维持初始能量调度计划不变;当偏差量超过预设阈值时,基于模糊控制规则动态调整储能充放电功率与负荷优先级。
54、优选的,将偏差信息模糊化,转化为模糊语言变量,基于预设的模糊控制规则,匹配对应控制策略;通过解模糊,将模糊控制量转化为具体执行值,输出调整后的储能充放电功率及负荷优先级排序。
55、与现有技术相比,本发明的有益效果在于:
56、本发明在数据采集阶段整合未来天气数据、储能状态数据、负荷需求与环境参数;预测阶段基于多源数据生成风光能量的预测区间,而非单一预测值,可量化预测不确定性,有效减少因预测不准导致的弃风弃光或负荷缺电;通过自适应调整惯性权重与分级设置学习因子,解决传统算法易陷入局部最优、收敛速度慢的问题,快速输出可行调度策略,满足离网场景对实时性的需求,避免因策略生成延迟导致的系统运行失衡。
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