CN105260618B - 一种基于云模型的储能***典型曲线挖掘方法 - Google Patents
一种基于云模型的储能***典型曲线挖掘方法 Download PDFInfo
- Publication number
- CN105260618B CN105260618B CN201510741815.XA CN201510741815A CN105260618B CN 105260618 B CN105260618 B CN 105260618B CN 201510741815 A CN201510741815 A CN 201510741815A CN 105260618 B CN105260618 B CN 105260618B
- Authority
- CN
- China
- Prior art keywords
- mrow
- energy
- storage system
- charge
- msub
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于电力***储能***技术领域，尤其涉及一种基于云模型的储能***典型曲线挖掘方法，选定储能***的确定应用场景与合适的控制策略，统计储能***纵向时序功率。将储能***纵向时序功率值的频率分布分解为若干个不同粒度的云模型，对正态云模型组的期望加权求和，给出储能***典型运行曲线。本发明能大大减少计算量，便于对储能***充放功率整体有清楚认知；云模型中的逆向云发生器可以将精确数据转换为以数字特征表示的云模型，实现数值到概念的提取与转换，即实现储能***充放功率数据挖掘出储能***典型运行曲线。
Description
技术领域
本发明属于电力***储能***技术领域，尤其涉及一种基于云模型的储能***典型曲线挖掘方法。
背景技术
可再生能源发电的波动性、间歇性和不可预知性会给现有电力***的运行带来一定冲击。储能***具有快速响应和动态调节能力，可以有效提高新能源电力***的友好性。
目前对于储能***充放功率的研究都集中于优化控制与容量配置等方面，对于典型运行曲线的挖掘工作关注较少，存在着对储能***充放功率整体认知不够清楚，且计算量巨大等问题。挖掘确定应用场景下的储能***典型运行曲线是对储能***运行特征的提取与概括，可以实现对于储能***充放功率情况的整体认知，进而辅助解决容量配置的问题。利用所提取的典型运行曲线可以压缩数据量，节省计算量。
发明内容
针对目前储能***充放功率研究存在的问题，本发明提出了一种基于云模型的储能***典型曲线挖掘方法，包括：
步骤1、确定储能***的应用场景与控制策略，对储能***的充放功率进行数据采集，记第j日k时刻储能***充放功率值为Pjk，j＝1,2,…,n，n为统计总天数，k＝1,2,…,s，s为每日采样点个数，n天内k时刻充放功率最大值为Pkmax,则储能***充放功率在k时刻的标幺值为：Pjk_pu＝Pjk/Pkmax，Pjk_pu∈[0,1]；
步骤2、统计n天的不同时刻的标幺充放功率值并存入矩阵Ms*n＝[p1,p2,…,pk,…,ps]T，pk是储能***n天内k时刻的标幺充放功率向量，pk＝[P1k_pu,P2k_pu,…,Pnk_pu]；
步骤3、统计标幺充放功率向量pk的频率分布，得到pk的频率分布曲线f(x)k，并根据频率分布曲线f(x)k的峰值Fkj所对应的横坐标得到云模型的期望Exki，即云的重心位置；i＝1,2,…,m，初始值i＝1；
步骤4、以云模型的期望Exki为中心，找出左右两边出现的第一个波谷所在位置，分别记为xleft与xright，则确定第一个云模型的云滴范围di＝min(Exki-xleft,xright-Exki)；利用无需确定度信息的逆向云算法计算出熵ETki与超熵Heki，继而计算云模型的数据分布函数fcloud-ki；
步骤5、从频率分布曲线f(x)k中减去云模型分布函数fcloud-ki，得到新的频率分布曲线f’(x)k，并寻找f’(x)k的峰值Fki+1；计算峰值Fki与峰值Fki+1的差值Distanceki＝Fki-Fki+1；
步骤6、若Distanceki大于等于阈值ε，则找出峰值Fki+1对应的横坐标Exki+1，则i＝i+1并重复步骤4～步骤5，直到Distancekm小于阈值ε，并获得所对应的横坐标Exki；若Distanceki小于阈值ε，则k＝k+1，即进入寻找下一时刻的正态云模型组；
步骤7、根据步骤4～步骤6得到k时刻的代表充放功率值向量：(Exk1,Exk2,…,Exki,…,Exkm)；储能***在k时刻的典型充放功率值的计算方法如下：
步骤8、依次计算k+1，k+2，…,s时刻的储能***典型充放功率值，得到储能***典型运行曲线P＝[P1，P2，…，Ps]。
所述步骤4中的逆向云算法为：
步骤401、将范围在(Exk1-d1，Exk1+d1)内的功率数据记为xk1i，i＝1,2,…,T；根据样本xk1i计算样本期望：
步骤402、计算样本方差:
步骤403、计算熵:
步骤404、计算超熵:
所述步骤4中的云模型的数据分布函数计算方法为：
本发明的有益效果如下：应用于削峰填谷，跟踪风电计划出力，平抑风电或者光伏发电的功率波动等应用场景，能大大减少计算量，能对储能***充放功率整体有清楚认知；云模型中的逆向云发生器可以将精确数据转换为以数字特征C(Ex,En He)表示的云模型，实现数值到概念的提取与转换，即实现储能***充放功率数据挖掘出储能***典型运行曲线。
附图说明
图1是基于云模型的储能***典型曲线挖掘算法流程图；
图2是平抑光伏电站的功率波动时的储能***控制策略图；
图3是实施例中所挖掘的储能***典型运行曲线图；
图4是实施例中储能***功率分布及非参数核密度估计图。
具体实施方式
下面结合附图，对实施例作详细说明。
本发明提出了一种基于云模型的储能***典型曲线挖掘方法，如图1所示，包括：
步骤1、设定储能***的应用场景为平抑光伏电站的功率波动。设定时间跨度为1年。选取控制策略为一阶低通滤波。如图2所示，该光储联合***主要由光伏电站、储能***和控制***组成。Ps为光伏电站输出功率，Pb是储能***输出功率，Pw是光储联合***总输出功率。它们存在的关系如下式所示(离散化后)：
Pout(k)＝α·Pout(k-1)+(1-α)·Ps(k)
Ps(k)+Pb(k)＝Pout(k)
其中，k为离散化时间步，对应时刻为tk＝t0+k·Δt，t0为初始时刻，Δt为采样时间间隔。τ为低通滤波器的时间常数，α为与τ有关的常数，称为滤波常数。
根据上述控制策略及等式，计算得出1年的储能***充放功率。
对储能***的充放功率进行数据采集，记第j日k时刻储能***充放功率值为Pjk，j＝1,2,…,n，n为统计总天数，k＝1,2,…,s，s为每日采样点个数，n天内k时刻充放功率最大值为Pkmax,则储能***充放功率在k时刻的标幺值为：Pjk_pu＝Pjk/Pkmax，Pjk_pu∈[0,1]；
步骤2、统计n天的不同时刻的标幺充放功率值并存入矩阵Ms*n＝[p1,p2,…,pk,…,ps]T，pk是储能***n天内k时刻的标幺充放功率向量，pk＝[P1k_pu,P2k_pu,…,Pnk_pu]；
步骤3、统计标幺充放功率向量pk的频率分布，得到pk的频率分布曲线f(x)k，并根据频率分布曲线f(x)k的峰值Fkj所对应的横坐标得到云模型的期望Exki，即云的重心位置；i＝1,2,…,m，初始值i＝1；
步骤4、以云模型的期望Exki为中心，找出左右两边出现的第一个波谷所在位置，分别记为xleft与xright，则确定第一个云模型的云滴范围di＝min(Exki-xleft,xright-Exki)；利用无需确定度信息的逆向云算法计算出熵ETki与超熵Heki，继而计算云模型的数据分布函数fcloud-ki；
步骤5、从频率分布曲线f(x)k中减去云模型分布函数fcloud-ki，得到新的频率分布曲线f’(x)k，并寻找f’(x)k的峰值Fki+1；计算峰值Fki与峰值Fki+1的差值Distanceki＝Fki-Fki+1；
步骤6、若Distanceki大于等于阈值ε，则找出峰值Fki+1对应的横坐标Exki+1，则i＝i+1并重复步骤4～步骤5，直到Distancekm小于阈值ε，并获得所对应的横坐标Exki；若Distanceki小于阈值ε，则k＝k+1，即进入寻找下一时刻的正态云模型组；
步骤7、根据步骤4～步骤6得到k时刻的代表充放功率值向量：(Exk1,Exk2,…,Exki,…,Exkm)；储能***在k时刻的典型充放功率值的计算方法如下：
步骤8、依次计算k+1，k+2，…,s时刻的储能***典型充放功率值，得到储能***典型运行曲线P＝[P1，P2，…，Ps]。
所述步骤4中的逆向云算法为：
步骤401、将范围在(Exk1-d1，Exk1+d1)内的功率数据记为xk1i，i＝1,2,…,T；根据样本xk1i计算样本期望：
步骤402、计算样本方差:
步骤403、计算熵:
步骤404、计算超熵:
所述步骤4中的云模型的数据分布函数计算方法为：
根据所提出的算法挖掘储能***典型运行曲线，如图3所示。对其充放功率进行统计与非参数核密度估计拟合，并与6种典型天气(将典型天气类型设定为晴朗，晴(微云)，晴转多云，多云转晴，多云，阴雨雪等6种，每一种典型天气类型对应一种光伏功率情况，每一种光伏功率功率情况对应一种储能***充放功率特征。)下储能***充放电功率分布的非参数核密度估计拟合曲线对比,如图4所示。从图4可以看出，典型运行曲线的非参数核密度估计拟合曲线与6种典型天气下储能充放功率拟合曲线贴合较好。这说明图3所示的典型运行曲线兼有6种典型天气下储能充放功率曲线的特征,可以表征储能***在平抑光伏电站功率波动应用场景下的功率特点。
此实施例仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。
Claims (3)
1.一种基于云模型的储能***典型曲线挖掘方法，其特征在于，包括：
步骤1、确定储能***的应用场景与控制策略，对储能***的充放功率进行数据采集，记第j日k时刻储能***充放功率值为Pjk，j＝1,2,…,n，n为统计总天数，k＝1,2,…,s，s为每日采样点个数，n天内k时刻充放功率最大值为Pkmax,则储能***充放功率在k时刻的标幺值为：Pjk_pu＝Pjk/Pkmax，Pjk_pu∈[0,1]；
步骤2、统计n天的不同时刻的标幺充放功率值并存入矩阵Ms*n＝[p1,p2,…,pk,…,ps]T，pk是储能***n天内k时刻的标幺充放功率向量，pk＝[P1k_pu,P2k_pu,…,Pnk_pu]；
步骤3、统计标幺充放功率向量pk的频率分布，得到pk的频率分布曲线f(x)k，并根据频率分布曲线f(x)k的峰值Fki所对应的横坐标得到云模型的期望Exki，即云的重心位置；i＝1,2,…,m，初始值i＝1；
步骤4、以云模型的期望Exki为中心，找出左右两边出现的第一个波谷所在位置，分别记为xleft与xright，则确定第一个云模型的云滴范围di＝min(Exki-xleft,xright-Exki)；利用无需确定度信息的逆向云算法计算出熵ETki与超熵Heki，继而计算云模型的数据分布函数fcloud-ki；
步骤5、从频率分布曲线f(x)k中减去云模型分布函数fcloud-ki，得到新的频率分布曲线f’(x)k，并寻找f’(x)k的峰值Fk(i+1)；计算峰值Fki与峰值Fk(i+1)的差值Distanceki＝Fki-Fk(i+1)；
步骤6、若Distanceki大于等于阈值ε，则找出峰值Fk(i+1)对应的横坐标Exk(i+1)，则i＝i+1并重复步骤4～步骤5，直到Distanceki小于阈值ε，并获得所对应的横坐标Exki；若Distanceki小于阈值ε，则k＝k+1，即进入寻找下一时刻的正态云模型组；
步骤7、根据步骤4～步骤6得到k时刻的代表充放功率值向量：(Exk1,Exk2,…,Exki,…,Exkm)；储能***在k时刻的典型充放功率值的计算方法如下：
<mrow>
<msub>
<mi>P</mi>
<mi>k</mi>
</msub>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<mfrac>
<msub>
<mi>F</mi>
<mrow>
<mi>k</mi>
<mi>i</mi>
</mrow>
</msub>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<msub>
<mi>F</mi>
<mrow>
<mi>k</mi>
<mi>i</mi>
</mrow>
</msub>
</mrow>
</mfrac>
<mo>&CenterDot;</mo>
<msub>
<mi>E</mi>
<mrow>
<mi>x</mi>
<mi>k</mi>
<mi>i</mi>
</mrow>
</msub>
</mrow>
步骤8、依次计算k+1，k+2，…,s时刻的储能***典型充放功率值，得到储能***典型运行曲线P＝[P1，P2，…，Ps]。
2.根据权利要求1所述方法，其特征在于，所述步骤4中的逆向云算法为：
步骤401、将范围在(Exki-d1，Exki+d1)内的功率数据记为xk1i，i＝1,2,…,T；根据样本xk1i计算样本期望：
步骤402、计算样本方差:
步骤403、计算熵:
步骤404、计算超熵:
3.根据权利要求2所述方法，其特征在于，所述步骤4中的云模型的数据分布函数计算方法为：
<mrow>
<msub>
<mi>f</mi>
<mrow>
<mi>c</mi>
<mi>l</mi>
<mi>o</mi>
<mi>u</mi>
<mi>d</mi>
<mo>-</mo>
<mi>k</mi>
<mi>i</mi>
</mrow>
</msub>
<mo>=</mo>
<mi>exp</mi>
<mo>&lsqb;</mo>
<mo>-</mo>
<mfrac>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>k</mi>
<mi>l</mi>
<mi>i</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>E</mi>
<mi>x</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mrow>
<mn>2</mn>
<msubsup>
<mi>E</mi>
<mrow>
<mi>T</mi>
<mi>k</mi>
<mi>i</mi>
</mrow>
<mn>2</mn>
</msubsup>
</mrow>
</mfrac>
<mo>&rsqb;</mo>
<mo>.</mo>
</mrow>
2
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510741815.XA CN105260618B (zh) | 2015-11-04 | 2015-11-04 | 一种基于云模型的储能***典型曲线挖掘方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510741815.XA CN105260618B (zh) | 2015-11-04 | 2015-11-04 | 一种基于云模型的储能***典型曲线挖掘方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105260618A CN105260618A (zh) | 2016-01-20 |
| CN105260618B true CN105260618B (zh) | 2017-11-28 |
Family
ID=55100307
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510741815.XA Expired - Fee Related CN105260618B (zh) | 2015-11-04 | 2015-11-04 | 一种基于云模型的储能***典型曲线挖掘方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105260618B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106779340B (zh) * | 2016-12-01 | 2023-08-15 | 中国电力科学研究院 | 一种储能***典型工况曲线的提取方法及其评价*** |
| CN107194495B (zh) * | 2017-04-21 | 2020-05-12 | 北京信息科技大学 | 一种基于历史数据挖掘的光伏功率纵向预测方法 |
| CN113991711B (zh) * | 2021-11-16 | 2023-06-16 | 国网甘肃省电力公司电力科学研究院 | 一种光伏电站储能***容量配置方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102684222A (zh) * | 2012-05-14 | 2012-09-19 | 华北电力大学 | 一种基于储能技术的风力发电功率平滑控制方法 |
| CN103427429A (zh) * | 2013-08-21 | 2013-12-04 | 华北电力大学 | 用户侧分散储能设备的实时功率分配***和分配方法 |
| CN103488865A (zh) * | 2013-07-04 | 2014-01-01 | 清华大学 | 一种储能装置容量的计算方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10192184B2 (en) * | 2012-03-30 | 2019-01-29 | Sony Corporation | Energy storage |
-
2015
- 2015-11-04 CN CN201510741815.XA patent/CN105260618B/zh not_active Expired - Fee Related
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102684222A (zh) * | 2012-05-14 | 2012-09-19 | 华北电力大学 | 一种基于储能技术的风力发电功率平滑控制方法 |
| CN103488865A (zh) * | 2013-07-04 | 2014-01-01 | 清华大学 | 一种储能装置容量的计算方法 |
| CN103427429A (zh) * | 2013-08-21 | 2013-12-04 | 华北电力大学 | 用户侧分散储能设备的实时功率分配***和分配方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于负荷-光伏等效负荷曲线动态分段的配电线路联络开关优化配置;陈禹等;《电力自动化设备》;20150331;第35卷(第3期);第47-53页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105260618A (zh) | 2016-01-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Teske et al. | High renewable energy penetration scenarios and their implications for urban energy and transport systems | |
| CN103942728B (zh) | 梯级水电站群日发电计划编制方法 | |
| Liu et al. | Deriving optimal refill rules for multi-purpose reservoir operation | |
| Rajkumar et al. | Techno-economical optimization of hybrid pv/wind/battery system using Neuro-Fuzzy | |
| CN103218757B (zh) | 一种确定光伏发电容量可信度的方法 | |
| CN103944175B (zh) | 风光储联合发电***出力特性优化方法 | |
| Capizzi et al. | Recurrent neural network-based control strategy for battery energy storage in generation systems with intermittent renewable energy sources | |
| CN105260797A (zh) | 一种计及经济性评估的微网储能电站规划控制方法 | |
| CN104156777B (zh) | 一种基于城市天气预报的低成本光伏发电功率预测方法 | |
| CN105260618B (zh) | 一种基于云模型的储能***典型曲线挖掘方法 | |
| CN105244920B (zh) | 考虑电池健康状态的储能***多目标控制方法及其*** | |
| CN105896578B (zh) | 一种用于风光储联合发电***的随机生产模拟方法 | |
| CN104319807A (zh) | 一种基于Copula函数获取多风电场容量可信度的方法 | |
| CN103455716A (zh) | 一种基于超短期风电功率预测的电力***电压稳定裕度计算方法 | |
| CN105140967A (zh) | 一种含新能源电力***调峰需求的评估方法 | |
| CN106684913A (zh) | 一种基于多代理的储能电站跟踪发电计划控制***和方法 | |
| CN106096807A (zh) | 一种考虑小水电的互补微网经济运行评价方法 | |
| CN104066165A (zh) | 一种基于能量收集方式的无线通信功率分配方法 | |
| CN103915851B (zh) | 一种递进步长和期望输出均可变的储能***优化控制方法 | |
| CN106779340A (zh) | 一种储能***典型工况曲线的提取方法及其评价*** | |
| CN104598687B (zh) | 水质监测用小型浮标动力源之光伏蓄电池供电***的优化构建方法 | |
| CN106655266B (zh) | 一种接入新能源的地区电网可灵活调节电源配置方法 | |
| CN111626645B (zh) | 一种未来年储能配置容量测算方法及*** | |
| CN110323779B (zh) | 一种分布式发电与储能装置的功率动态聚合的方法和*** | |
| Khatibi et al. | An analysis for increasing the penetration of renewable energies by optimal sizing of pumped-storage power plants |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20171128 Termination date: 20181104 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |