CN116843066A - 基于生物质电厂孤岛运行模式下可再生能源微电网的设备出力预测方法 - Google Patents
基于生物质电厂孤岛运行模式下可再生能源微电网的设备出力预测方法 Download PDFInfo
- Publication number
- CN116843066A CN116843066A CN202310784504.6A CN202310784504A CN116843066A CN 116843066 A CN116843066 A CN 116843066A CN 202310784504 A CN202310784504 A CN 202310784504A CN 116843066 A CN116843066 A CN 116843066A
- Authority
- CN
- China
- Prior art keywords
- power
- data
- renewable energy
- cluster
- output
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 239000002028 Biomass Substances 0.000 title claims abstract description 24
- 238000005457 optimization Methods 0.000 claims abstract description 42
- 238000010248 power generation Methods 0.000 claims abstract description 28
- 230000006870 function Effects 0.000 claims description 41
- 238000009826 distribution Methods 0.000 claims description 27
- 238000004146 energy storage Methods 0.000 claims description 17
- 238000013528 artificial neural network Methods 0.000 claims description 13
- 230000009467 reduction Effects 0.000 claims description 13
- 238000001276 Kolmogorov–Smirnov test Methods 0.000 claims description 11
- 230000001186 cumulative effect Effects 0.000 claims description 6
- 238000003064 k means clustering Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 230000005611 electricity Effects 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 239000008186 active pharmaceutical agent Substances 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000005315 distribution function Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 2
- 241000764238 Isis Species 0.000 claims 1
- 238000005516 engineering process Methods 0.000 description 4
- 239000004973 liquid crystal related substance Substances 0.000 description 4
- 238000007599 discharging Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012876 topography Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 239000002803 fossil fuel Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012887 quadratic function Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0283—Price estimation or determination
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Bioinformatics & Computational Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Probability & Statistics with Applications (AREA)
- Tourism & Hospitality (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Water Supply & Treatment (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Photovoltaic Devices (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
Abstract
本发明属于生物质电厂成本优化技术领域,具体涉及了一种基于生物质电厂孤岛运行模式下可再生能源微电网的设备出力预测方法,包括,建立以概率密度函数形式预测短期的光伏发电量的光伏功率预测模型,并得到预测的概率密度函数;建立两阶段随机优化模型,将上述预测的概率密度函数输入到两阶段随机模型以缩减可再生能源功率和减负荷和热电联产机组出力成本最小为目标,求解两阶段随机优化问题,以得到各设备在未来时段的出力情况,便于在过去进行决策,增强了电厂抵御风险的能力。
Description
技术领域:
本发明属于生物质电厂成本优化技术领域,具体涉及了一种基于生物质电厂孤岛运行模式下可再生能源微电网的设备出力预测方法。
背景技术:
由于世界各地的城市化和人口增长,碳排放正在增加。专家学者一致认为,这些排放是气候变化和全球变暖的主要原因之一。电力行业正在转向可再生能源,如光伏发电,并采用不同的储能***,以实现清洁能源的发展,弥补化石燃料的稀缺。然而,可再生资源的间歇性行为造成了一些障碍,如功率波动、投入额外的备用机组和甩负荷。其次,生物质发电技术的兴起作为一种稳定的可再生能源发电技术已经日渐成熟,为了分析以某一生物质电厂为中心的区域孤岛电网的优化运行却难以分析。微电网技术是一种很有前途的解决方案,可以将不同的可再生能源和负载集成到电网中。在储能***容量有限的情况下,在孤岛模式下运行微电网需要复杂的调度方法。但是以往对微电网的研究都是针对运营问题,忽略了供需的不确定性或仅仅考虑最坏的运行情况。然而,一方面不确定性是电力***的固有属性;另一方面,考虑最坏的运行情况则会导致不必要地增加运营和规划成本,造成资源地浪费。
发明内容:
鉴于上述问题,本发明提供了一种基于生物质电厂孤岛运行模式下可再生能源微电网的设备出力预测方法,包括,
建立以概率密度函数形式预测短期的光伏发电量的光伏功率预测模型,并得到预测的概率密度函数;
建立两阶段随机优化模型,将上述预测的概率密度函数输入两阶段随机优化模型计算两阶段最优成本在满足第一和第二两阶段约束条件的情况下,使得目标函数最小的各个设备出力,实现可再生能源微电网的当前时间对未来时间设备的最优调度决策。
进一步的,所述的光伏功率预测模型通过如下步骤建立,
(1)构建观测数据的二元概率分布;
(1-1)获取历史光伏出力数据;
(1-2)使用k-means聚类算法将历史光伏出力数据聚类到K个簇中,得到聚类后每个簇的光伏功率;
(1-3)根据光伏功率建立每个簇的二维直方图(即某时刻的某功率下的概率),采用Kolmogorov-Smirnov检验(K-S检验),验证二维直方图中的概率分布是否最优,根据验证结果生成集群K中的不同时刻的原始的概率密度函数;
(2)构建人工神经网络
(2-1)将气天气参数、时间常数n及步骤1)中聚类处理后的历史光伏出力数据进行归一化处理,输入到人工神经网络ANN中,得到去归一化后的各个簇各个时间的预测功率数据;
(2-2)根据预测功率数据采用上述(1-3)的方式生成预测的概率密度函数。
进一步的,其中,构建观测数据的二元概率分布,具体步骤如下,
步骤1:将历史光伏出力数据的观测数据的N个值输入到矩阵S中:
S=[S1 S2......SN] (1)
其中,SN是在时间常数N∈1,2,……,N处观察到的光伏发电功率PWT,其中时间常数表示第几个小时。
步骤2:使用k-means聚类算法以聚类的形式表示数据,将具有相似属性的数据点分组到一个簇中;在此步骤中,将S中数据被聚类到K个簇中;由于光伏功率范围介于0和其最大记录输出值之间,因此不应随意确定簇数K;实际上,应谨慎选择。最佳簇数K是满足最小误差平方和(SSE)的值,SSE是集合中每个元素之间的平方距离与该集合的相应平均值之和,如式(2)所示:
其中,mj是Sj的平均值,Sj是由簇j表示的S的子群。
将式(2)中的SSE作为最优簇数k的度量,对不同的k值进行计算,并在DS的强拐点确定最优k;在该步骤结束时,S中的数据将被相应的簇替换,从而产生聚类后的数据簇S′;
步骤3:对聚类后的每一个簇都得到一个二维(2D)直方图;二维直方图显示了在相应的时间常数h下满足光伏功率值P的频率;簇j的每个二维直方图的点(频率)的计算方法如式(3)所示:
其中,ξ为第j簇在h时功率为P的频数,P在第j簇所有功率的集合中,N取值为1-24小时;
获得二维直方图后,对h处观测到的中的值进行Kolmogorov-Smirnov检验(K-S检验);该检验用于寻找最合适的概率分布,有效地拟合观测数据。
进一步的,步骤3中所述的K-S检验为拿样本数据与所计算的理论分布进行对比,如果差异不大,则可以认为数据服从正态分布,为的概率密度函数;计算的理论分布累计概率与样本数据累积概率之差Dn如式(4)所示:
其中,F0(x)为理论分布累计概率,Fn(x)为样本数据累积概率;
若Dn>D,则不是最适合的概率分布,需重新计算,其中D为允许的差值;通过得到二维直方图和适当的分布函数,在每个簇的每个小时都会得到观测数据的概率密度函数。
进一步的,所述两阶段随机优化模型中优化问题包括两个阶段;第一阶段为当前时刻h=0的变量,第二阶段为h=1,2,…,n的未来可能情况的变量。
进一步的,所述两阶段随机优化模型建立,包括如下步骤,
S1:将上述得到的概率密度函数进行场景生成,并计算每个场景发生的概率;
S2:将场景发生的概率值作为系数,建立两阶段优化问题的目标函数及约束条件,进而生成两阶段随机优化模型。
进一步的,步骤S1中,每个h有χh个可能的光伏功率的值,场景数由式(5)表示:
进一步的,步骤S1中,每个场景发生的概率值ρτ,通过如下公式计算:
其中,τ表示场景,为情形τ中时间常数为h时刻的光伏发电量。
进一步的,步骤S2中两阶段随机优化问题的目标函数如下,
其中,CCHP,0为优化时刻(第一阶段,h=0时)热电联产机组的出力成本,λcur和λENS分别为缩减可再生能源PV功率和减负荷的成本。Pcur,0和PENS,0分别为优化时刻(第一阶段,h=0时)的缩减可再生能源光伏功率和减负荷功率。h为时间常数∈H=1,2,…,n,其中n为优化中考虑的未来时间常数。和/>分别为情景τ下未来时间常数h时热电联产机组的发电成本、光伏削减功率和减负荷功率。
进一步的,步骤S2中两阶段随机优化问题的约束条件包括第一阶段约束条件与第二阶段约束条件,其中,
第一阶段约束条件包括功率平衡约束、热电联产机组电出力上下限约束、热电联产机组段的电出力约束及储能***的充放电约束;
第二阶段约束条件包括热电联产机组电出力上下限约束、热电联产机组lth段的电出力约束及储能***的充放电约束。
本方案充分考虑了生物质电厂孤岛运行模式下可再生能源微电网不确定性和负荷波动情况下,以随机场景的形式描述可再生能源微电网的不确定性和波动特性,并且根据可再生能源微电网的不确定性和波动特性,找到一种可以孤岛运行时不增设其他供能设备或最小削减负荷所需的机组出力,在满足第一和第二两阶段约束条件的情况下,使得目标函数最小的各个设备出力。对达到节能减排的目的,实现可再生能源微电网的当前时间对未来时间设备的最优调度决策。
具体实施方式:
为了使本发明的目的、技术方案及优点,更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明的技术方案针对基于可再生能源微电网模型的不确定性和波动特性,提出了一种新的基于人工神经网络(ANN)的预测模型,该模型以概率密度函数的形式表示光伏功率预测输出值。并提出了一种两阶段随机优化方法,以最小化孤岛模式下的运行成本和削减负荷,在所提出的随即最优化方法中,考虑近期潜在供电、负荷和储能***容量的概率,从而在当前时刻进行最优调度决策。
本发明提供了一种基于生物质电厂孤岛运行模式下可再生能源微电网的成本预测方法,包括,建立以概率密度函数形式预测短期的光伏发电量的光伏功率预测模型,并得到预测的概率密度函数;建立两阶段随机优化模型,将上述预测的概率密度函数输入两阶段随机优化模型计算两阶段最优成本。具体如下:
1光伏功率预测模型
所提出的模型旨在以概率密度函数形式预测短期(≤24小时)的光伏发电量。预测未来光伏功率值的概率密度函数相比与定值预测提供了更多关于未来的数据信息。该模型由两个主要部分获得:获得观测数据的二元概率分布和构建人工神经网络。
1.1构建二元概率分布
在本部分中,将获得观测数据的二元概率分布。它以导入观测数据开始,以获取概率密度函数结束。
步骤1:首先将光伏发电功率的观测数据的N个值输入到式(1)中所示的矩阵S中。
S=[S1 S2......SN] (1)
其中SN是在时间常数N∈1,2,……,N处观察到的光伏发电功率(PWT),其中时间常数N表示第几个小时。
步骤2:使用k-means聚类算法以聚类的形式表示数据,将具有相似属性的数据点分组到一个簇中。在此步骤中,将S中数据被聚类到一定数量的簇中。由于光伏功率范围介于0和其最大记录输出值之间,因此不应随意确定簇数;最佳簇数是满足最小误差平方和(SSE)的值。SSE是集合中每个元素之间的平方距离与该集合的相应平均值之和,如式(2)所示。
将式(2)中的SSE作为最优簇数k的度量,对不同的k值进行计算,并在DS的强拐点确定最优k。
其中mj是Sj的平均值,Sj是由簇j表示的S的子群。
在该步骤结束时,S中的数据将被相应的簇替换,从而产生聚类后的数据簇S′。
步骤3:在这一步中,对聚类后的每一个簇都得到一个二维(2D)直方图。二维直方图显示了在相应的时间常数h下满足光伏功率值P的频率。簇j的每个二维直方图的点(频率)的计算方法如式(3)所示:
其中,ξ为第j簇在h时功率为P的频数,P在第j簇所有功率的集合中,N取值为1-24小时;
在获得二维直方图后,对h处观测到的中的值进行Kolmogorov-Smirnov检验(K-S检验)。该检验用于寻找最合适的概率分布,有效地拟合观测数据。
所述的K-S检验为拿样本数据与所计算的理论分布进行对比,如果差异不大,则可以认为数据服从正态分布,为的概率密度函数。
计算的理论分布累计概率与样本数据累积概率之差如式(4)所示:
其中,F0(x)为理论分布累计概率,Fn(x)为样本数据累积概率;
若Dn>D,则不是最适合的概率分布,需重新计算,其中D为允许的差值。
通过得到二维直方图和适当的分布函数,在每个簇的每个小时都会得到观测数据的概率密度函数。上述为建立不同时间的概率密度函数-作为标准,预测的场景为上述直方图中的某一个。
1.2构建人工神经网络
首先准备五个输入数据,时间步长为n,即观察到的光伏功率(w)、气压(KPa)、地势(m)、温度(℃)和时间常数(月M0和小时h0)。
第1步:在进入第一步之前,光伏出力数据将经过聚类处理。数据的聚类采用了上一小节(1.1)中步骤2所描述的相同模型。在归一化步骤中,数据缩放至-1到1的区间,以加快以tanh为激活函数的学习速度。
第二步:规范化的数据将被输入到训练好的人工神经网络中。这个ANN由一个输入层、几个隐藏层和一个输出层组成。输入层由五个输入节点组成,除了时间常数外,还有过去24小时的光伏输出和天气参数(温度、气压和地势)。然后,每个参数的序列被送入一组长短时记忆(LSTM)层,以确定参数时间序列的时间依赖性。输出层的输出在-1和1之间,代表n个时间步长的预测数据。
第三步:在去规范化过程中,数据从(1到-1)区间转换到相应的聚类簇j=1,2,3,……,k中。这一步的输出是下一个n个时间步长的聚类值。
第四步:给定所有h=1,2,3,……,n处的聚类值,使用聚类-概率密度函数映射生成每个h常数数处的概率密度函数。
2两阶段随机优化
优化模型的目标是考虑光伏出力的不确定性,优先满足临界负荷(临界负荷是指微网必须满足的最低负荷需求,以确保微网的可靠性和安全性。临界负荷的定义取决于微网的结构和设备,以及微网的运行模式),使可再生能源微网运行成本最小化。利用混合整数线性规划(MILP)来解决优化问题。首先定义了决策变量及其约束条件。然后设定目标函数,考虑到第二阶段情景发生的概率,以成本和削减负荷最小为目标。人工神经网络模型得到的光伏出力的概率密度函数将作为该优化模型的输入之一。
2.1场景生成阶段
优化问题包括两个阶段;第一阶段为当前时刻(h=0)的变量,第二阶段为h=1,2,…,n的未来可能情况的变量。这些未来场景是在h=0时做出决定的结果。
第二阶段应考虑所有可能的情况,以确保下一次指数(h>0)的最佳运行。首先将上文得到的概率密度函数进行场景生成:设定场景数为N=k*m*24个场景。此处的场景数可以由用户自行设置,可以选择需要的随机场景数,例如对每个聚类的簇所得概率密度函数每个小时的进行10次(0,1)区间的随机抽样其中对应的(0,1)区间的值为相应光伏功率的概率,其对应的横坐标为相应的功率值,所对应的场景数为k*10*24。每个h有χh个可能的光伏功率的值,场景数由式(5)表示:
例如,如果在每个未来h=1,2,…,n,只有一个可能的光伏功率的值,则未来场景的数量为一个。
场景的数量由式(5)决定,Ω是所考虑的场景的集合。通过第1.2节中基于人工神经网络的模型预测未来场景。每个场景τ,发生的概率为ρτ,作为第二阶段中目标函数式(9)的系数。该概率由观测数据推导出来。它是独立事件的条件概率,即上述中抽样的随机数的值。
其中,为情形τ中时间常数为h时刻的光伏发电量。
2.2目标函数及约束条件
发电过剩和发电不足是孤岛可再生能源微电网可能面临的两个问题。削减负荷是解决发电不足问题的措施之一,而通过降低可再生能源发电功率来缓解过发电问题。
两阶段随机优化问题是最小化孤岛可再生微电网的发电成本、光伏弃电和非必要减负荷。生物质电厂通常采用热电联产机组,本研究重点考虑微电网运行情况。生物质电厂热电联产机组的发电成本通常用二次函数表示,如式(7)所示:
其中,PCHP是热电联产机组的输出电功率,a,b和c是成本系数。但是,采用MILP方法适用于求解线性问题,所以需要对热电联产机组的发电成本曲线采用分段线性曲线逼近,以适应MILP方法,如式(8)所示:
其中,CcHP,t是热电联产机组在t时刻的发电成本,Sl是线性部分l在成本曲线上的斜率,Γ是一组线段,PCHP,l,t为t时刻在成本曲线lth段的输出功率。
从而两阶段随机优化问题的目标函数如下:
其中,CCHP,0为优化时刻(第一阶段,h=0时)热电联产机组的出力成本,λcur和λENS分别为缩减可再生能源PV功率和减负荷的成本。Pcur,0和PENS,0分别为优化时刻(第一阶段,h=0时)的缩减可再生能源光伏功率和减负荷功率。h为时间常数∈H=1,2,…,n,其中n为优化中考虑的未来时间常数。和/>分别为情景τ下未来时间常数h时热电联产机组的发电成本、光伏削减功率和减负荷功率。从h=1到h=n可能发生的每一组级联光伏输出构成了一个场景τ。在每个时间常数h中,可以有几个可能的光伏输出值,这些值取决于场景生成阶段抽样的次数。
2.3第一阶段约束条件
1)功率平衡约束
其中,Pdis为储能***的放电功率,Pch为储能***的充电功率。PWT为光伏机组的输出功率。Pcur为发电过剩时段的缩减的光伏的功率,L0为总负荷需求,PENS,0为缩减负荷功率。本小节中的符号0表示这些参数属于第一阶段,即优化时刻h=0。其余的约束如下。
2)热电联产机组电出力上下限约束
3)热电联产机组lth段的电出力约束
4)储能***的充放电约束(式(13)-式(18)所示)
Uch,0+Udis,0≤1 (13)
其中,Uch,0和Udis,0分别为表示储能***充电和放电电状态,用0,1表示。
其中,SOCh-1为前一时刻的剩余电荷量,ηch和ηdis分别为充放电效率,Pch,h和Pdis,h为h时刻的充放电功率,Ecap为储能***容量,Δh为每个时间步长(取1小时)。
SOCmin≤SOC0≤SOCmax(17)
SOC0-1=50(18)发电过剩时可缩减可再生能源发电出力约束
0≤Pcur,0≤PWT,0(19)发电不足时段削减非临界负荷功率约束(式(20)-式(21)所示)
0≤PENS,0≤LNon-C,0(20)
L0=LC+LNon-C,0(21)
其中,LC为临界负荷,LNon-C,0为非临界负荷,L0为总负荷
2.4第二阶段的约束条件
在第二阶段,应同时考虑所有未来场景的约束条件,以确保解决方案始终可行。功率平衡的约束由式表示。
其中,为场景τ中线段l在h时刻的热电联产机组发电量。/>和/>分别为储能***的放电功率和充电功率。/>和Lh是缩减后的光伏功率、光伏出力和h时刻的负荷需求。
第二阶段其余约束条件如下:
1)热电联产机组电出力上下限约束
2)热电联产机组lth段的电出力约束
3)储能***的充放电约束(式(25)-式(27)所示)
发电过剩时可缩减可再生能源发电出力约束
发电不足时段削减非临界负荷功率约束(式(32)-式(33)所示)
式中,为场景τ中h时刻热电联产机组的电出力,/>为热电联产机组的最大额定电输出功率,/>和/>分别为表示储能***放电和充电状态,用0,1表示。和/>分别是场景τ中h时刻,h-1和n时刻处的SOC。可调度发电机的输出受约束(11)、(12)、(23)和(24)限制。储能***放电和充电状态是互斥的,用约束(13)和(25)表示。储能***的最大充放电功率受约束(14)、(15)、(26)、(27)限制。在某些时候,恰好SOC达到最大限制时,会产生过剩的电力。因此,约束条件(19)和(31)将限制光伏出力的削减。SOC由(16)和(28)定义,并受(17)和(29)中的最大和最小剩余电荷量的限制。SOC的初始值和结束值由(18)和(30)确定。非临界减负荷受限于(20)和(32)以支持平衡功率。总负荷由式(21)和式(33)中临界负荷和非临界负荷的累加确定。
至此,基于生物质电厂孤岛运行模式下可再生能源微电网的两阶段随机优化模型已经构建完毕,根据上述模型所需数据即可求解出特定区域的可再生能源微电网孤岛运行模式下的两阶段最优成本,以得到各设备在未来时段的出力情况,便于在过去进行决策,指导现在的生产生活,增强了电厂抵御风险的能力。本方案中的预测方法同样适用于风电能源。
以上仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.基于生物质电厂孤岛运行模式下可再生能源微电网的设备出力预测方法,其特征在于:包括,
建立以概率密度函数形式预测短期的光伏发电量的光伏功率预测模型,并得到预测的概率密度函数;
建立两阶段随机优化模型,将上述预测的概率密度函数输入两阶段随机优化模型中,以成本最小为目标求解两阶段随机优化模型,得到各设备在未来时段的出力。
2.如权利要求1所述的基于生物质电厂孤岛运行模式下可再生能源微电网的设备出力预测方法,其特征在于:所述的光伏功率预测模型通过如下步骤建立,1构建观测数据的二元概率分布;
1.1获取历史光伏出力数据;
1.2使用k-means聚类算法将历史光伏出力数据聚类到K个簇中,得到聚类后每个簇的光伏功率;
1.3根据光伏功率建立每个簇的二维直方图;采用Kolmogorov-Smirnov检验,验证二维直方图中的概率分布是否最优,根据验证结果生成集群K中的不同时刻的原始的概率密度函数;
2构建人工神经网络
2.1将气天气参数、未来时间n及步骤1)中聚类处理后的历史光伏出力数据归一化处理,输入到人工神经网络中,去归一化后得到的各个簇各个时间的预测功率数据;
2.2根据预测功率数据采用上述步骤1.3的方式生成预测的概率密度函数。
3.如权利要求2所述的基于生物质电厂孤岛运行模式下可再生能源微电网的设备出力预测方法,其特征在于:其中构建观测数据的二元概率分布,具体步骤如下,
步骤1:将历史光伏出力数据的观测数据的N个值输入到矩阵S中:
S=[S1 S2......SN] (1)
其中,SN是在时间N∈1,2,……,N,处观察到的光伏发电功率PWT,其中时间表示第几个小时;
步骤2:使用k-means聚类算法将S中数据被聚类到K个簇中;其中簇数K是满足最小误差平方和SSE的值,SSE是集合中每个元素之间的平方距离与该集合的相应平均值之和,如式(2)所示:
其中,mj是Sj的平均值,Sj是由簇j表示的S的子群;
将式(2)中的SSE作为最优簇数k的度量,对不同的k值进行计算,并在DS的强拐点确定最优k;在该步骤结束时,S中的数据将被相应的簇替换,产生聚类后的数据簇S′;
步骤3:对聚类后的每一个簇都得到一个二维直方图;二维直方图显示在相应的时间h下满足光伏功率值P的频率;簇j的每个二维直方图的点表示的频率的计算方法如式(3)所示:
其中,ξ为第j簇在h时功率为P的频数,P在第j簇所有功率的集合中,N取值为1-24小时;
获得二维直方图后,对h处观测到的中的值进行Kolmogorov-Smirnov检验,寻找最合适的概率分布,拟合观测数据。
4.如权利要求3所述的基于生物质电厂孤岛运行模式下可再生能源微电网的设备出力预测方法,其特征在于:步骤3中所述的K-S检验为拿样本数据与所计算的理论分布进行对比,如果差异不大,则可以认为数据服从正态分布,为的概率密度函数,具体的,
计算的理论分布累计概率与样本数据累积概率之差Dn如式(4)所示:
其中,F0(x)为理论分布累计概率,Fn(x)为样本数据累积概率;
若Dn>D,则不是最适合的概率分布,需重新计算,其中D为允许的差值;通过得到二维直方图和适当的分布函数,在每个簇的每个小时得到观测数据的概率密度函数。
5.如权利要求1所述的基于生物质电厂孤岛运行模式下可再生能源微电网的设备出力预测方法,其特征在于:所述两阶段随机优化模型中优化问题包括两个阶段,第一阶段为当前时刻h=0的变量;第二阶段为h=1,2,…,n的未来时刻可能情况的变量。
6.如权利要求5所述的基于生物质电厂孤岛运行模式下可再生能源微电网的设备出力预测方法,其特征在于:所述两阶段随机优化模型建立,包括如下步骤,
S1:将上述得到的概率密度函数进行场景生成,并计算每个场景发生的概率值;
S2:将每个场景发生的概率值作为系数,建立两阶段优化问题的目标函数,并设置约束条件,进而生成两阶段随机优化模型。
7.如权利要求6所述的基于生物质电厂孤岛运行模式下可再生能源微电网的设备出力预测方法,其特征在于:步骤S1中,每个h有χh个可能的光伏功率的值,场景数由式(5)表示:
8.如权利要求6所述的基于生物质电厂孤岛运行模式下可再生能源微电网的设备出力预测方法,其特征在于:步骤S1中,每个场景发生的概率值ρτ,通过如下公式计算:
其中,τ表示场景,为情形τ中时间常数为h时刻的光伏发电量。
9.如权利要求6所述的基于生物质电厂孤岛运行模式下可再生能源微电网的设备出力预测方法,其特征在于:步骤S2中两阶段随机优化问题的目标函数如下,
其中,CCHP,0为优化时刻(第一阶段,h=0时)热电联产机组的出力成本,λcur和λENS分别为缩减可再生能源PV功率和减负荷的成本,PCur,0和PENS,0分别为优化时刻(第一阶段,h=0时)的缩减可再生能源光伏功率和减负荷功率,h为时间常数∈H=1,2,…,n,其中n为优化中考虑的未来时间常数,和/>分别为情景τ下未来时间常数h时热电联产机组的发电成本、光伏削减功率和减负荷功率。
10.如权利要求6所述的基于生物质电厂孤岛运行模式下可再生能源微电网的设备出力预测方法,其特征在于:步骤S2中两阶段随机优化问题的约束条件包括第一阶段约束条件与第二阶段约束条件,其中,
第一阶段约束条件包括功率平衡约束、热电联产机组电出力上下限约束、热电联产机组段的电出力约束及储能***的充放电约束;
第二阶段约束条件包括热电联产机组电出力上下限约束、热电联产机组lth段的电出力约束及储能***的充放电约束。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310784504.6A CN116843066A (zh) | 2023-06-29 | 2023-06-29 | 基于生物质电厂孤岛运行模式下可再生能源微电网的设备出力预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310784504.6A CN116843066A (zh) | 2023-06-29 | 2023-06-29 | 基于生物质电厂孤岛运行模式下可再生能源微电网的设备出力预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116843066A true CN116843066A (zh) | 2023-10-03 |
Family
ID=88162832
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310784504.6A Pending CN116843066A (zh) | 2023-06-29 | 2023-06-29 | 基于生物质电厂孤岛运行模式下可再生能源微电网的设备出力预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116843066A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117312899A (zh) * | 2023-11-30 | 2023-12-29 | 国网浙江省电力有限公司 | 光伏出力典型场景生成方法、***和存储介质 |
CN117591814A (zh) * | 2024-01-19 | 2024-02-23 | 北京志翔科技股份有限公司 | 基于光伏包络的数据修复方法、装置及设备 |
-
2023
- 2023-06-29 CN CN202310784504.6A patent/CN116843066A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117312899A (zh) * | 2023-11-30 | 2023-12-29 | 国网浙江省电力有限公司 | 光伏出力典型场景生成方法、***和存储介质 |
CN117591814A (zh) * | 2024-01-19 | 2024-02-23 | 北京志翔科技股份有限公司 | 基于光伏包络的数据修复方法、装置及设备 |
CN117591814B (zh) * | 2024-01-19 | 2024-06-07 | 北京志翔科技股份有限公司 | 基于光伏包络的数据修复方法、装置及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Mirzapour et al. | A new prediction model of battery and wind-solar output in hybrid power system | |
Maulik et al. | Optimal operation of droop-controlled islanded microgrids | |
CN109325608B (zh) | 考虑储能并计及光伏随机性的分布式电源优化配置方法 | |
Logenthiran et al. | Short term generation scheduling of a microgrid | |
Zargar et al. | Development of a Markov-chain-based solar generation model for smart microgrid energy management system | |
CN116843066A (zh) | 基于生物质电厂孤岛运行模式下可再生能源微电网的设备出力预测方法 | |
CN109034587B (zh) | 一种协调多种可控单元的主动配电***优化调度方法 | |
Abunima et al. | Two-stage stochastic optimization for operating a renewable-based microgrid | |
CN110245794B (zh) | 考虑灵活性的多能源汇集中心火储容量双层优化方法 | |
Nykamp et al. | Storage operation for peak shaving of distributed PV and wind generation | |
Zhang et al. | Design and optimal sizing of hybrid PV/wind/diesel system with battery storage by using DIRECT search algorithm | |
Hou et al. | Energy storage system optimization based on a multi-time scale decomposition-coordination algorithm for wind-ESS systems | |
Shu et al. | Optimal sizing of energy storage system for wind power plants | |
CN117060474A (zh) | 一种新能源充电站的调度方法、***、设备及存储介质 | |
Esmaeili et al. | Market-oriented optimal control strategy for an integrated energy storage system and wind farm | |
CN114336762A (zh) | 风光发电及电网负荷波动日前调度储能配置优化方法 | |
CN113708418A (zh) | 微电网优化调度方法 | |
CN113435659A (zh) | 基于场景分析的综合能源***两阶段优化运行方法及*** | |
Hong et al. | Short-term real-power scheduling considering fuzzy factors in an autonomous system using genetic algorithms | |
Mohiti et al. | Frequency‐constrained energy and reserve scheduling in wind incorporated low‐inertia power systems considering vanadium flow redox batteries | |
Muttaqi et al. | An effective power dispatch strategy to improve generation schedulability by mitigating wind power uncertainty with a data driven flexible dispatch margin for a wind farm using a multi-unit battery energy storage system | |
Paliwal et al. | Short-term optimal energy management in stand-alone microgrid with battery energy storage | |
CN114204552A (zh) | 智慧园区综合能源能量调度方法 | |
CN114498690A (zh) | 支持大规模可再生能源消纳的多元复合储能优化配置方法 | |
Gnanaprakasam et al. | An efficient MFM-TFWO approach for unit commitment with uncertainty of DGs in electric vehicle parking lots |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |