基于概率预测的光伏储能系统能量管理方法与流程

1.本发明属于光伏发电技术领域，特别涉及一种基于概率预测的光伏储能系统能量 管理方法。


背景技术：

2.太阳能具有能源总量大、资源易开发、清洁无污染等优点，因而光伏发电的被认 为是解决能源危机的一个重要手段。然而，光伏发电随机性和波动性的特性导致的不 规则和随机的输出变化会给电力系统规划和运行带来不确定性，特别是在光伏渗透率 较高的情况下，因此需要使用电池等储能单元进行平抑波动和存储使用。在对光伏的 大规模使用中，需要快速准确预测现场光伏发电的短期和长期输出，以便有效地管理 能源需求、能源存储以及补充和备用能源的能源供应。
3.针对光伏最大功率的估计预测，主要采用数据驱动的方法，包括统计技术和机器 学习工具。从环境信息，例如阵列辐照度平面、模块温度、环境温度和风速的条件及 历史数据估计光伏功率，从而构建光伏功率输出与辐照度、环境温度和风速等环境信 息的预测模型。
4.能量管理方法主要包括预测、日前优化和实时优化等多个步骤。基于预测的结果 进行能量管理，并进行实时优化。储能作为能量缓冲可以满足变化的太阳辐射和负载 需求的同时，利用使用分时电价，以低成本的非高峰率存储能源来节省资金，并使用 存储的能源来减少高峰需求获取收益，同时提高整个电力系统的可控性、稳定性和可 靠性。
5.当前解决光伏不确定性与消纳问题的光伏储能系统能量管理方法弊端在于：
6.1.基于数据驱动的光伏出力预测方法，在低辐照度和回归系数下，其性能会显著 降低。由于光照条件的季节性，预测模型需要定期更新以保持模型的准确性。且预测 信号条件均值点确定性预测为能量管理的决策提供的信息非常有限，预测的偏差带来 较大的不确定性影响。
7.2.大多数能量管理通常只考虑了储能的能量状态，忽略了系统的动态特性，如充 放电速率的限制；考虑分时电价收益时忽略了储能系统寿命损耗成本；基于规则的短 期实时优化计算缺少对后续策略选择的潜在影响。


技术实现要素：

8.鉴于背景技术所存在的技术问题，本发明所提供的基于概率预测的光伏储能系统 能量管理方法，使用长短期记忆(lstm)神经网络获得光伏概率预测，并基于copula 函数模型的方法对多元分布进行采样生成预测场景，根据预测结果在满足负载需求和 储能特性前提下，以收益最大成本最小为目标，利用模型预测控制(mpc)提供实时 优化，量化预测的不确定性以降低传统点预测带来的鲁棒性优化损失，提高了储能系 统的安全性可靠性，实现了光伏能源的高效消纳利用。
9.为了解决上述技术问题，本发明采取了如下技术方案来实现：
10.一种基于概率预测的光伏储能系统能量管理方法，包括以下步骤：
11.一种基于概率预测的光伏储能系统能量管理方法，其特征在于包括以下步骤：
12.s1，进行光伏预测场景生成，使用lstm神经网络获得概率预测，包括温度、 风速、云量、云层类型和湿度在内的多项数据作为输入变量，同时加入太阳辐射数值 的历史信息作为输入变量；太阳辐射数值作为输出；
13.s2，对所有输入变量进行归一化处理，统一量纲，去除单位，按时间周期性输入；
14.定义预测误差的统计参数模型来假设不确定性的分布，并使用lstm神经网络 来预测参数指定分布，
15.针对预测结果(太阳辐照度)，求解出预测结果的统计学参数，例如均值、方差、 偏度、峰度；
16.s3，将所有的输入变量的历史数据作为预测的输入，将历史数据集70％划分为 训练集，30％划分为验证集，且在训练期间添加权重噪声，以确保数据中的噪声信息， 设定网络类型、预测范围m、隐含层层数和神经元数量；
17.使用训练集完成训练，为估计点预测的统计质量，计算预测与实际观测值的对应 程度；采用均方根误差用作误差度量，输出预测目标分布的指定分位数q；
18.s4，使用基于copula函数模型的方法，对每个输入变量的边际分布进行建模， 收集输入变量的历史数据，通过对单变量边际分布使用概率积分变换，将每个变量ui的数据点被转化为d立方的[0,1]d，从而估计copula密度；
[0019]
得到多元分布后，基于copula模型和原始数据的依赖结构得到：
[0020]
u＝(ui,...,ud)∈[0,1]d，
[0021]
使用copula模型分两步生成多元随机向量，生成依赖随机数，从均匀分布u(0,1) 中采样得到中采样得到表示一组中第一个生成的数，其他的u2、u3等是从条件分布函 数中生成(或者说求解)；根据条件分布函数依次生成 [0022]
式中，u与u表达的含义不一样，均匀分布u是固定的数学用语，u是自定义的 数据ui的集合；
[0023]
s5，基于来自概率预测的边际分布，使用逆变换采样将单位d立方的生成变量 转换为原始变量维度，得到预测的场景伏发电场景及对应的分位数；
[0024]
s6，根据光伏预测、分时电价图和负荷变化图，并基于mpc算法进行光伏储能 系统能量管理；
[0025]
基于固定的光伏系统尺寸，确定输出功率p
pv
与包括辐照度s在内的输入变量的 关系
[0026]
储能系统状态模型包括电池和转换器，计算能量转换、荷电状态、电池循环损耗 成本c
be
和荷电状态soc，基于分时电价r
grids
计算电网充放电成本c
grids
，根据储能 系统的动态特性，建立状态空间模型；
[0027]
s7，建立系统约束，约束条件包括soc上下限、电池充放电流限制、初始soc 与结束soc相等或近似相等；
[0028]
确定目标函数j表示为：
[0029][0030]
式中，α，β分别为点预测和50％概率预测处的权重系数；c
be
为电池损耗成本， c
grids
是电网充放电成本；
[0031]
s8，设定分时电价和储能设备参数，目标初始soc值，选择mpc的步长、预 测步数、控制步数进行仿真，求解目标函数，输出控制变量p
be
；基于预测结果，完 成控制操作。
[0032]
优选地，所述步骤s2中，以10min为时间尺度输入变量进行光伏出力预测。
[0033]
优选地，所述步骤s3中，设定预测范围为24小时，m＝144。
[0034]
优选地，所述步骤s7中，系统约束进行软约束修正后如下：
[0035][0036]
式中，soc表示荷电状态，soc
min
表示最小荷电状态，p
be
表示电池输出(放电) 功率，p
dis_max
表示最大放电功率：p
ch_max
表示最大充电功率。
[0037]
优选地，所述步骤s7中，根据能量管理目标需要，增加函数权重系数α提高预 期收益，减少系统保守性成本。
[0038]
优选地，所述步骤s8中，根据预测时长，负载变化情况和计算需要，选择mpc 的步长分别为15min、30min和1h。
[0039]
优选地，步骤s6中，当光伏系统的尺寸确定时，其输出功率p
pv
与辐照度等变量 的关系为:
[0040]
p
pv
＝η
pv
η
t
p
pv_nominal
s/s
nominal
[0041]
式中，p
pv
为预测光伏发电量，η
pv
为光伏板转换效率，η
t
为温度影响的转换效率， p
pv_nominal
表示标称下的情况输出功率，s表示预测得出的辐照度，s
nominal
表示标称下 的辐照度；
[0042]
储能系统状态模型包括电池和转换器，其能量转换为:
[0043]
p
be
＝p
load-p
pv-p
grids
[0044]
式中p
be
为储能系统输出功率，p
grids
为光伏储能系统与电网交换功率，p
load
为负 载消耗功率；
[0045]
储能系统的荷电状态计算为:
[0046]
soc
k 1
＝soc
k-η
be
p
be_k
/p
be_nominal
[0047]
式中，soc
k 1
为k 1时刻电池的荷电状态，η
be
为电池的能量转换效率，p
be_nominal
表示标称下电池的额定功率；
[0048]
以锂电池为主的储能系统，电池循环损耗成本c
be
计算为：
[0049][0050]
式中，c
be_total
为电池的总购置成本，l
be
为电池全寿命周其的有效循环次数；
[0051]
基于分时电价r
grids
的电网充放电成本c
grids
计算为：
[0052]cgrids
＝p
gridsrgrids
[0053]
根据储能系统的动态特性，建立状态空间模型为：
[0054]
x(k 1)＝f(x(k),u(k))
[0055]
式中，选择soc作为状态变量x(k)，选择p
be
作为控制变量u(k)。
[0056]
本专利可达到以下有益效果：
[0057]
1、本发明基于神经网络进行概率预测，copula采样生成预测场景，有效的减少 光伏预测的不确定性，并量化预测的不确定性来降低传统点预测误差对决策优化的损 失；
[0058]
2、本发明利用mpc控制器仿真，基于系统的动态特性建模，在充放电速率、荷 电状态约束下，进行预测控制，限制最大电压电流输出，维持储能系统的soc在安 全范围内，保障系统安全性；
[0059]
3、本发明的能量管理方法充分考虑了光伏出力波动、分时电价、储能系统损耗 的影响，基于多步预测，单步控制的mpc方法，提高了系统的总体收益，增加了光 伏的消纳利用率。
附图说明
[0060]
下面结合附图和实施例对本发明作进一步说明：
[0061]
图1为本发明实施例中并网光伏储能系统的结构示意图；
[0062]
图2为本发明实施例中生成光伏预测场景的流程图；
[0063]
图3为本发明实施例中mpc实时优化的流程图；
[0064]
图4为本发明实施例中分时电价变化图；
[0065]
图5为本发明实施例中预测与实际光伏发电量变化图；
[0066]
图6为本发明实施例中负载实时变化图。
具体实施方式
[0067]
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案 为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不 限于下述的实施例。
[0068]
如图1所示，对于并网光伏储能系统，其包括光伏发电组件与含光伏mppt的 dc-dc转换器，储能系统及含mpc控制算法的双向dc-dc转换器，直流母线，交 直流负载及并网逆变器；
[0069]
光伏组件经mppt算法后获取最大功率，并调整输出电压至参考值，经过dc-dc 转换器提供电能；交直流负载通过转换器连接直流母线获取电能；储能系统基于能量 管理系统mpc算法，经dc-dc转换器为负载侧提供电能，或从光伏处、并网市电 处吸收电能；
[0070]
本发明提出了一种基于概率预测的光伏储能系统能量管理方法，步骤为：
[0071]
s1，如图2所示，进行光伏预测场景生成，使用lstm神经网络获得概率预测， 并采用copula模型进行充分采样；
[0072]
选择预测地点的温度、风速、云量、云层类型、湿度作为输入变量，同时加入太 阳辐射数值的历史信息作为输入变量；太阳辐射数值作为输出；
[0073]
s2，对所有变量进行归一化处理，统一量纲，去除单位。所有的输入变量都具有 时间周期性，选择以10min为间隔输入。
[0074]
定义预测误差的统计参数模型来假设不确定性的分布，并使用lstm神经网络 来
预测参数指定分布，针对预测结果，求解出预测结果的统计学参数；
[0075]
s3，将所有的输入变量的历史数据作为预测的输入，将历史数据集70％划分为 训练集，30％划分为验证集，且在训练期间添加权重噪声，以确保数据中的噪声信息。
[0076]
设定网络类型，预测范围m，隐含层层数和神经元数量，本实施例中选择双向传 播神经网络，m＝144，表示预测范围为随后的24小时。
[0077]
使用训练集完成训练；
[0078]
为估计点预测的统计质量，计算预测与实际观测值的对应程度。采用均方根误差 (rmse)用作误差度量：
[0079][0080]
式中，n是样本数据的数量，y
t
是预测模型的输出，d
t
是实际测量值；
[0081]
训练神经网络，基于均方根误差重新更新隐含层层数和神经元数量；
[0082]
本案例中，最佳预测模型设定为4个隐藏层，10个神经元；
[0083]
输出预测目标分布的指定分位数q；
[0084][0085]
当q＝0.5时，即为输出分布的条件中位数的估计值。
[0086]
s4，如图3所示，使用基于copula函数模型的方法对多元分布进行采样由两个 子步骤组成：
[0087]
对每个变量的边际分布进行适当建模，构建包含多元分布的依赖结构的copula 模型，
[0088]
首先需要收集变量的历史数据，通过对单变量边际分布使用概率积分变换，将每 个变量ui的数据点被转化为d立方的[0,1]d，从而估计copula密度，完成模型。
[0089]
得到多元分布后，基于copula模型和原始数据的依赖结构得到：
[0090]
u＝(ui,...,ud)∈[0,1]dꢀꢀ
(3)
[0091]
使用copula模型分两步生成多元随机向量，生成依赖随机数，从均匀分布u(0,1) 中采样得到根据条件分布函数依次生成
[0092]
s5，基于来自概率预测的边际分布，使用逆变换采样将单位d立方的生成变量 转换为原始变量维度，得到预测的场景伏发电场景及对应的分位数。
[0093]
s6，如图4～6所示，根据光伏预测，分时电价图，负荷变化图等，基于mpc 算法进行光伏储能系统能量管理；
[0094]
当光伏系统的尺寸确定时，其输出功率p
pv
与辐照度等变量的关系为:
[0095]
p
pv
＝η
pv
η
t
p
pv_nominal
s/s
nominal
ꢀꢀ
(4)
[0096]
式中，p
pv
为预测光伏发电量，η
pv
为光伏板转换效率，η
t
为温度影响的转换效率， p
pv_nominal
表示标称下的情况输出功率，s表示预测得出的辐照度，s
nominal
表示标称下 的辐照度；
[0097]
储能系统状态模型包括电池和转换器，其能量转换为:
[0098]
p
be
＝p
load-p
pv-p
grids
ꢀꢀ
(5)
[0099]
式中p
be
为储能系统输出功率，p
grids
为光伏储能系统与电网交换功率，p
load
为负 载
消耗功率；
[0100]
储能系统的荷电状态计算为:
[0101]
soc
k 1
＝soc
k-η
be
p
be_k
/p
be_nominal
ꢀꢀ
(6)
[0102]
式中，soc
k 1
为k 1时刻电池的荷电状态，η
be
为电池的能量转换效率，p
be_nominal
表示标称下电池的额定功率；
[0103]
以锂电池为主的储能系统，电池循环损耗成本c
be
计算为：
[0104][0105]
式中，c
be_total
为电池的总购置成本，l
be
为电池全寿命周其的有效循环次数；
[0106]
基于分时电价r
grids
的电网充放电成本c
grids
计算为：
[0107]cgrids
＝p
gridsrgrids
ꢀꢀ
(8)
[0108]
根据储能系统的动态特性，建立状态空间模型为：
[0109]
x(k 1)＝f(x(k),u(k))
ꢀꢀ
(9)
[0110]
式中，选择soc作为状态变量x(k)，选择p
be
作为控制变量u(k)；
[0111]
s7，建立系统约束，包括：soc上下限，电池充放电流限制，初始soc与结束 soc基本相等。本案例中，为保护电池过度充放电，soc上下限分别为20％，80％。
[0112][0113]
确定目标函数j表示为：
[0114][0115]
式中，α，β分别为点预测和50％概率预测处的权重系数；本案例中分别为1， 0.1；
[0116]
根据分时电价变化时长与负载变化情况，选择mpc的步长、预测步数和控制步 数；本案例中，设定步长为1小时，控制步数为1，预测步数为8；
[0117]
设定分时电价和储能设备参数。本案例中，分时电价如图4所示，储能设备单价 为4元/ah，包含24组1kwh的电池，循环寿命为10000次；
[0118]
s8，设置目标初始soc值，进行仿真,求解目标函数，输出控制变量p
be
；基于 预测结果，完成控制操作。
[0119]
上述的实施例仅为本发明的优选技术方案，而不应视为对于本发明的限制，本发 明的保护范围应以权利要求记载的技术方案，包括权利要求记载的技术方案中技术特 征的等同替换方案为保护范围。即在此范围内的等同替换改进，也在本发明的保护范 围之内。