CN117154781A - 一种储能调频容量配置方法、装置及计算机可读存储介质 - Google Patents
一种储能调频容量配置方法、装置及计算机可读存储介质 Download PDFInfo
- Publication number
- CN117154781A CN117154781A CN202311425358.4A CN202311425358A CN117154781A CN 117154781 A CN117154781 A CN 117154781A CN 202311425358 A CN202311425358 A CN 202311425358A CN 117154781 A CN117154781 A CN 117154781A
- Authority
- CN
- China
- Prior art keywords
- energy storage
- frequency modulation
- modulation capacity
- time
- storage frequency
- 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.)
- Granted
Links
- 238000004146 energy storage Methods 0.000 title claims abstract description 246
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 238000004364 calculation method Methods 0.000 claims description 20
- 238000010248 power generation Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 9
- 230000002159 abnormal effect Effects 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 239000013589 supplement Substances 0.000 claims description 4
- 238000007599 discharging Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 19
- 238000009826 distribution Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 230000036962 time dependent Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/007—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources
- H02J3/0075—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources for providing alternative feeding paths between load and source according to economic or energy efficiency considerations, e.g. economic dispatch
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/24—Arrangements for preventing or reducing oscillations of power in networks
- H02J3/241—The oscillation concerning frequency
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/28—Arrangements for balancing of the load in a network by storage of energy
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及一种储能调频容量配置方法、装置及计算机可读存储介质,属于二次调频技术领域。获取t和t+1时刻储能调频容量需求值;将t时刻储能调频容量需求值输入GRU模型,输出t+1时刻储能调频容量需求预测值,计算t+1时刻储能调频容量需求值和储能调频容量需求预测值的误差,更新t并重新获取t和t+1时刻储能调频容量需求值以对GRU模型迭代训练;基于所有储能调频容量需求值和储能调频容量需求预测值的误差计算置信区间;获取待预测的储能调频容量需求值并输入GRU模型,将GRU模型的输出和置信区间结合得到下一时刻储能调频容量需求预测区间。本发明提升了调频***的控制精度和稳定性,减小了区域控制误差和电网频率偏差。
Description
技术领域
本发明涉及二次调频技术领域,尤其是指一种储能调频容量配置方法、装置及计算机可读存储介质。
背景技术
随着世界范围内对环境保护重视程度的提升,风、光等新能源发电形式逐步取代传统的化石能源发电。但新能源并网比例增大也为调频***的稳定性带来了挑战。为了应对风、光等新能源的不确定性,在调频***中加入储能辅助调频成为热点。储能调频主要是通过在电力***中接入储能***,从而实现对电力***的稳定控制,以应对新能源并网带来的波动,提高电力***的稳定性。
对于储能调频容量的配置需要根据电网的实际情况以及新能源并网的具体情况确定。现有的储能调频容量配置方法由于考虑经济性或电网频率的稳定性,从而为储能***配置固定的储能容量,但是,这种配置方法并未考虑储能调频容量需求的时序性特点,尤其是随着新能源渗透率的提升,根据储能调频容量需求实时更新储能管理***的备用容量是非常必要的,而为储能***配置固定的储能容量无法满足随时间不断变化的储能调频容量需求,从而导致区域控制误差和电网频率偏差增大。
综上所述,现有的储能调频容量配置方法并未考虑储能调频容量需求的时序性特点,从而使得储能***的备用容量无法满足储能调频容量需求,导致区域控制误差和电网频率偏差增大。
发明内容
为此,本发明所要解决的技术问题在于克服现有技术中的储能调频容量配置方法未考虑储能调频容量需求的时序性特点,使得储能***的备用容量无法满足随时间变化的储能调频容量需求,导致区域控制误差和电网频率偏差增大的问题。
为解决上述技术问题,本发明提供了一种储能调频容量配置方法,包括:
S10:获取训练集中t时刻和t+1时刻的储能调频容量需求值;
S20:将所述t时刻的储能调频容量需求值输入至GRU预测模型中,输出t+1时刻的储能调频容量需求预测值,计算所述t+1时刻的储能调频容量需求值和所述t+1时刻的储能调频容量需求预测值之间的误差,并更新t=t+1,返回执行步骤S10以对所述GRU预测模型进行迭代训练,直到达到预设迭代次数,得到训练好的GRU预测模型;
S30:基于每次迭代得到的t+1时刻的储能调频容量需求值和t+1时刻的储能调频容量需求预测值之间的误差计算训练误差均值和训练误差标准差,并基于所述训练误差均值和所述训练误差标准差得到置信区间上下限;
S40:实时获取待预测的储能调频容量需求值并将所述待预测的储能调频容量需求值输入至训练好的GRU预测模型中,基于所述训练好的GRU预测模型的输出和所述置信区间上下限得到下一时刻的储能调频容量需求预测区间。
在本发明的一个实施例中,步骤S10前还包括:
采集预设时间段内每一时刻的电源侧数据和电网侧数据,并对所述电源侧数据和所述电网侧数据进行预处理;
基于预处理后每一时刻的电源侧数据和电网侧数据计算得到每一时刻的储能调频容量需求值,并基于所有时刻的储能调频容量需求值得到训练集。
在本发明的一个实施例中,所述电源侧数据和所述电网侧数据包括自动发电***调频指令、历史区域控制误差、频率偏差、火电调频功率、风电调频功率、光伏调频功率和水电调频功率。
在本发明的一个实施例中,所述对所述电源侧数据和所述电网侧数据进行预处理包括:
利用KNN算法在所述电源侧数据和所述电网侧数据中选取与缺失数据欧式距离最近的k个数据,并计算k个数据的均值或中位数以对缺失数据进行补充;
利用3σ准则对所述电源侧数据和所述电网侧数据中的异常值进行剔除。
在本发明的一个实施例中,所述每一时刻的储能调频容量需求值的计算公式为:
,
其中,为/>时刻的储能调频容量需求值,/>表示/>时刻自动发电***调频指令,/>表示/>时刻第/>个调频源响应自动发电***调频指令的调频功率,/>表示调频源的数量。
在本发明的一个实施例中,步骤S30中基于所述训练误差均值和所述训练误差标准差得到置信区间上下限包括:
基于所述训练误差均值和所述训练误差标准差计算置信区间上限,其具体计算公式为:
,
其中,为置信区间上限,/>为上显著水平,/>为训练误差均值,为置信区间上限系数,/>为训练误差标准差;
基于所述训练误差均值和所述训练误差标准差计算置信区间下限,其具体计算公式为:
,
其中,为置信区间下限,/>为下显著水平,/>为置信区间下限系数。
在本发明的一个实施例中,步骤S40中基于所述训练好的GRU预测模型的输出和所述置信区间上下限得到下一时刻的储能调频容量需求预测区间包括:
基于所述训练好的GRU预测模型的输出和所述置信区间下限得到下一时刻的储能调频容量需求预测值下限,其具体计算公式为:
,
其中,为下一时刻的储能调频容量需求预测值下限,/>为训练好的GRU预测模型的输出;
基于所述训练好的GRU预测模型的输出和所述置信区间上限得到下一时刻的储能调频容量需求预测值上限,其具体计算公式为:
,
其中,为下一时刻的储能调频容量需求预测值上限;
基于所述下一时刻的储能调频容量需求预测值下限和所述下一时刻的储能调频容量需求预测值上限得到下一时刻的储能调频容量需求预测区间,所述下一时刻的储能调频容量需求预测区间为:
。
在本发明的一个实施例中,步骤S40后还包括根据所述下一时刻的储能调频容量需求预测区间调整储能***的备用容量;
若所述储能***处于放电状态,则调整所述储能***的上备用容量大于所述下一时刻的储能调频容量需求预测值上限;
若所述储能***处于充电状态,则调整所述储能***的下备用容量小于所述下一时刻的储能调频容量需求预测值下限。
本发明还提供了一种储能调频容量配置装置,包括:
数据获取模块,用于获取训练集中t时刻和t+1时刻的储能调频容量需求值;
模型训练模块,用于将所述t时刻的储能调频容量需求值输入至GRU预测模型中,输出t+1时刻的储能调频容量需求预测值,计算所述t+1时刻的储能调频容量需求值和所述t+1时刻的储能调频容量需求预测值之间的误差,并更新t=t+1,返回执行所述数据获取模块的步骤以对所述GRU预测模型进行迭代训练,直到达到预设迭代次数,得到训练好的GRU预测模型;
置信区间计算模块,用于基于每次迭代得到的t+1时刻的储能调频容量需求值和t+1时刻的储能调频容量需求预测值之间的误差计算训练误差均值和训练误差标准差,并基于所述训练误差均值和所述训练误差标准差得到置信区间上下限;
储能调频容量需求区间预测模块,用于实时获取待预测的储能调频容量需求值并将所述待预测的储能调频需求值输入至训练好的GRU预测模型中,基于所述训练好的GRU预测模型的输出和所述置信区间上下限得到下一时刻的储能调频容量需求预测区间。
本发明还提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现上述的储能调频容量配置方法的步骤。
本发明提供的储能调频容量配置方法利用神经网络模型基于上一时刻的储能调频容量需求预测下一时刻的储能调频容量需求,充分考虑了储能调频容量需求的时序性特点,动态调整储能***的备用容量,减小了区域控制误差和电网频率偏差;另外,由于储能调频容量需求的时序性特点导致预测过程中存在长时间序列学习的梯度问题,因此本发明使用GRU模型进行预测,不仅解决了长时间序列学习中的梯度问题,降低了过拟合风险,同时提高了训练效率;除此之外,仅通过预测模型预测得到的储能调频容量需求与真实值之间存在较大误差,本发明基于GRU预测模型训练过程中每次预测的误差进行概率密度数据拟合,从而计算得到置信区间上下限,将该置信区间上下限与训练好的GRU预测模型输出的预测结果相结合作为下一时刻的储能调频容量需求预测区间,根据每一时刻的储能调频容量需求预测区间动态调整储能***的备用容量,进一步提升了储能调频***的控制精度和稳定性。
附图说明
为了使本发明的内容更容易被清楚的理解,下面根据本发明的具体实施例并结合附图,对本发明作进一步详细的说明,其中:
图1是本发明提供的一种储能调频容量配置方法流程图;
图2是本发明提供的一种GRU预测模型结构示意图;
图3是本发明提供的一种储能调频容量配置装置结构示意图;
图4是本发明实施例提供的一种IEEE39模型电力网络***接线图;
图5是本发明实施例提供的一种火电调频功率随时间变化曲线示意图;
图6是本发明实施例提供的一种风电调频功率随时间变化曲线示意图;
图7是本发明实施例提供的一种光伏调频功率随时间变化曲线示意图;
图8是本发明实施例提供的一种区域控制误差曲线示意图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明,以使本领域的技术人员可以更好地理解本发明并能予以实施,但所举实施例不作为对本发明的限定。
请参阅图1,图1所示为本申请提供的一种储能调频容量配置方法流程图,其具体包括:
S10:获取训练集中t时刻和t+1时刻的储能调频容量需求值;
S20:将t时刻的储能调频容量需求值输入至GRU预测模型中,输出t+1时刻的储能调频容量需求预测值,计算t+1时刻的储能调频容量需求值和t+1时刻的储能调频容量需求预测值之间的误差,并更新t=t+1,返回执行步骤S10以对GRU预测模型进行迭代训练,直到达到预设迭代次数,得到训练好的GRU预测模型;
在本申请的一些实施例中,还可以使用LSTM等其他神经网络对储能调频容量需求进行预测,从而根据预测结果动态调整储能***的备用容量,以满足随时间不断变化的储能调频容量需求。
由于储能调频容量需求的时序性特点导致模型预测过程中存在长时间序列学习梯度问题,因此,本申请采用GRU预测模型进行预测,不仅解决了长时间序列学习的梯度问题,还降低了过拟合风险,同时提高了训练效率。
S30:基于每次迭代得到的t+1时刻的储能调频容量需求值和t+1时刻的储能调频容量需求预测值之间的误差计算训练误差均值和训练误差标准差,并基于训练误差均值和训练误差标准差得到置信区间上下限;
S40:实时获取待预测的储能调频容量需求值并将待预测的储能调频容量需求值输入至训练好的GRU预测模型中,基于训练好的GRU预测模型的输出和置信区间上下限得到下一时刻的储能调频容量需求预测区间。
本申请提供的储能调频容量配置方法使用GRU预测模型基于前一时刻的储能调频容量需求预测下一时刻的储能调频容量需求,充分考虑了储能调频容量需求的时序特性,减小了区域控制误差和电网频率偏差。另外,如果仅使用预测模型对储能调频容量需求进行预测,可能会由于预测结果的误差导致储能***的备用容量仍然与储能调频容量需求实际值存在较大偏差,对此,本申请在对GRU预测模型进行迭代训练时,基于每一次迭代得到的预测值和实际值之间的误差计算得到训练误差均值和训练误差标准差,从而得到置信区间上下限;将训练好的GRU预测模型的输出和置信区间上下限结合作为下一时刻储能调频容量需求预测区间,并根据每一时刻的储能调频容量需求预测区间调整储能***的备用容量,增加了储能调频容量需求预测结果的准确性,提高了调频***的控制精度和稳定性,进一步减小了区域控制误差和电网频率偏差。
具体地,在本申请的一些实施例中,步骤S10前还包括:
采集预设时间段内每一时刻的电源侧数据和电网侧数据,并对电源侧数据和电网侧数据进行预处理;
基于预处理后每一时刻的电源侧数据和电网侧数据计算得到每一时刻的储能调频容量需求值,并基于所有时刻的储能调频容量需求值得到训练集。
可选地,在本申请的一些实施例中,在采集电源侧数据和电网侧数据时需要综合考虑储能调频***的控制精度和模型预测时间确定采集数据的时间间隔;例如,可以在预设时间段内每小时采集一次电源侧数据和电网侧数据,还可以每半小时或每分钟采集一次。
作为本申请的具体示例,两次采集数据的时间间隔为5min,即基于待预测的储能调频容量需求预测5min后的储能调频容量需求,既兼顾了模型预测所需要的时间,也兼顾了储能调频***的控制精度。
具体地,电源侧数据和电网侧数据包括自动发电***调频指令、历史区域控制误差、频率偏差、火电调频功率、风电调频功率、光伏调频功率、水电调频功率等。在一些实施例中,电源侧数据还包括火电机组、风电机组和光伏***的输出电压、输出电流、输出功率、火电机组蒸汽轮机转速等。
由于缺失数据和异常数据会对GRU预测模型的预测准确性产生影响,因此,本申请对采集到的电源侧数据和电网侧数据进行了预处理,其具体包括:
采用KNN算法选取电源侧数据和电网侧数据中与缺失数据欧式距离最近的k个数据,并计算k个数据的均值或中位数以对缺失数据进行补充;
利用3σ准则对电源侧数据和电网侧数据中的异常值进行剔除。
采用3σ准则对异常数据进行剔除是由于自动发电***调频指令和调频机组出力大致服从于均值为,标准差为/>的正态分布,由正态分布的特性可知,数据/>分布在内的概率为:
,
进一步地,将分布在外的数据作为异常数据进行剔除。
具体地,在本实施例中,每一时刻的储能调频容量需求值的计算公式为:
,
其中,为/>时刻的储能调频容量需求值,/>表示/>时刻自动发电***调频指令,/>表示/>时刻第/>个调频源响应自动发电***调频指令的调频功率,/>表示调频源的数量。
可选地,调频源可以为火电调频源、风电调频源、光伏调频源、水电调频源和储能调频源等,具体需要根据实际场景中供电的新能源确定调频源的种类以及每种调频源的数量。
进一步地,将t时刻的储能调频容量需求输入至GRU预测模型中以输出t+1时刻的储能调频容量需求预测值。GRU预测模型是一种循环神经网络,如图2所示为本申请提供的一种GRU预测模型结构示意图,图中符号为Hadamard积运算,+符号为加法运算,σ符号为Sigmoid激活函数,tanh符号为激活函数,其具有重置门和更新门两个门控单元,解决了长时间序列学习中的梯度问题,相较于LSTM网络,GRU减少了一个门控单元,降低了过拟合风险的同时提高了训练效率。
具体地,GRU预测模型输出t+1时刻的储能调频容量需求预测值的具体步骤为:
步骤1:输入t时刻的储能调频容量需求值,更新GRU预测模型中的重置门,其更新公式为:
,
其中,表示t时刻重置门的状态,/>表示重置门输入的权值,/>表示重置门状态的权值,/>表示重置门的偏置,/>表示t时刻的储能调频容量需求值,/>表示/>时刻的候选状态;
步骤2:更新GRU预测模型中的更新门,其更新公式为:
,
其中,表示t时刻更新门的状态,/>表示更新门输入的权值,/>表示更新门状态的权值,/>表示更新门的偏置;
步骤3:更新候选状态,其更新公式为:
,
其中,表示t时刻的候选状态,/>表示候选状态输入的权值,/>为Hadamard积,表示候选状态的状态权值,/>表示候选状态的偏置;
步骤4:更新网络状态,其更新公式为:
,
步骤5:输出时刻的储能调频容量需求预测结果:
,
其中,表示全连接层的权值,/>表示全连接层的偏置。
在对GRU预测模型进行迭代训练的过程中,计算每次迭代后输出的储能调频容量需求预测值与同一时刻的实际值之间的误差,并计算所有误差的均值和标准差,以得到训练误差均值和训练误差标准差,并基于训练误差均值和训练误差标准差得到训练误差概率分布。
进一步地,步骤S30中基于训练误差均值和训练误差标准差得到置信区间上下限包括:
基于训练误差均值和训练误差标准差计算置信区间上限,其具体计算公式为:
,
其中,为置信区间上限,/>为上显著水平,/>为训练误差均值,为置信区间上限系数,/>为训练误差标准差;
基于训练误差均值和训练误差标准差计算置信区间下限,其具体计算公式为:
,
其中,为置信区间下限,/>为下显著水平,/>为置信区间下限系数。
其中,、/>分别为训练误差分布的上显著水平和下显著水平,用于计算分布的上、下α/2分位点,表示训练误差在置信区间两侧的概率,其取值可以自行设定,通过设定训练误差分布的上、下显著水平能够控制上、下置信区间的大小;/>和/>可以由标准正态分布表查得。
在计算得到置信区间上下限后,即可将训练好的GRU预测模型的输出和置信区间上下限相结合以对储能调频容量需求值进行预测。
具体地,步骤S40中基于训练好的GRU预测模型的输出和置信区间上下限得到下一时刻的储能调频容量需求预测区间包括:
基于训练好的GRU预测模型的输出和置信区间下限得到下一时刻的储能调频容量需求预测值下限,其具体计算公式为:
,
其中,为下一时刻的储能调频容量需求预测值下限,/>为训练好的GRU预测模型的输出;
基于训练好的GRU预测模型的输出和置信区间上限得到下一时刻的储能调频容量需求预测值上限,其具体计算公式为:
,
其中,为下一时刻的储能调频容量需求预测值上限;
基于下一时刻的储能调频容量需求预测值下限和下一时刻的储能调频容量需求预测值上限得到下一时刻的储能调频容量需求预测区间,下一时刻的储能调频容量需求预测区间为:
。
进一步地,在获得下一时刻的储能调频容量需求预测区间后,还需要根据该预测区间动态调整储能***的备用容量,从而时序优化储能***运行状态,其具体操作为:
若储能***处于放电状态,则调整储能***的上备用容量大于储能调频容量需求预测值上限;
若储能***处于充电状态,则调整储能***的下备用容量小于储能调频容量需求预测值下限。
其中,在储能***中,通过储能电池能源管理***对锂电池储能进行实时监控、故障诊断与充放电控制。
基于上述实施例,本申请实施例还提供了一种储能调频容量配置装置,如图3所示,其包括:
数据获取模块100,用于获取训练集中t时刻和t+1时刻的储能调频容量需求值;
模型训练模块200,用于将t时刻的储能调频容量需求值输入至GRU预测模型中,输出t+1时刻的储能调频容量需求预测值,计算t+1时刻的储能调频容量需求值和t+1时刻的储能调频容量需求预测值之间的误差,并更新t=t+1,返回执行数据获取模块的步骤以对GRU预测模型进行迭代训练,直到达到预设迭代次数,得到训练好的GRU预测模型;
置信区间计算模块300,用于基于每次迭代得到的t+1时刻的储能调频容量需求值和t+1时刻的储能调频容量需求预测值之间的误差计算训练误差均值和训练误差标准差,并基于训练误差均值和训练误差标准差得到置信区间上下限;
储能调频容量需求区间预测模块400,用于实时获取待预测的储能调频需求值并将待预测的储能调频需求值输入至训练好的GRU预测模型中,基于训练好的GRU预测模型的输出和置信区间上下限得到下一时刻的储能调频容量需求预测区间。
本申请实施例还提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现上述的储能调频容量配置方法的步骤。
下面通过具体实施例对上述的储能调频容量配置方法进行进一步解释说明。
请参阅图4,图4所示为本实施例中提供的一种采用IEEE39模型的电力网络***接线图,图中标号1-39表示母线,也即39个节点,每个节点可以接入不同的电源,可以是负荷、电源或储能,在本实施例中,节点3、4、7、8、13、15、16、18、20、21、23、24、25、26、27、28、29、31、32、39中的箭头表示接入负荷,节点30、31、32、33中的G表示接入火电调频源,节点34、35、36中的风轮图案表示接入风电调频源,节点37、38、39中的网格图案表示接入光伏调频源,节点32和33中的ESS表示接入储能调频源,其中调频源的种类包括火电调频源、风电调频源、光伏调频源和储能调频源。
本实施例中采集的电源侧数据和电网侧数据包括自动发电***调频指令、历史区域控制误差、频率偏差、火电调频功率、风电调频功率、光伏调频功率和储能调频功率,数据的时间分辨率为5min。
如图5所示为本实施例提供的火电调频功率随时间变化的曲线示意图,图6所示为本实施例提供的风电调频功率随时间变化的曲线示意图,图7所示为本实施例提供的光伏调频功率随时间变化的曲线示意图。
本实施例的具体步骤包括:
1、采用KNN算法对缺失数据进行补充并利用3σ准则对电源侧数据和电网侧数据中的异常值进行剔除;
2、基于电源侧数据和电网侧数据计算各个时刻的储能调频容量需求值,并基于各个时刻的储能调频容量需求值构建训练集,具体地,各个时刻的储能调频容量需求值的计算公式为:
,
其中,为/>时刻的储能调频容量需求值,/>表示/>时刻自动发电***调频指令,表示/>时刻第/>个火电调频源响应自动发电***调频指令的调频功率,/>表示火电调频源的数量,/>表示/>时刻第/>个风电调频源响应自动发电***调频指令的调频功率,/>表示风电调频源的数量,/>表示/>时刻第/>个光伏调频源响应自动发电***调频指令的调频功率,/>表示光伏调频源的数量,/>表示/>时刻第/>个储能调频源响应自动发电***调频指令的调频功率,/>表示储能调频源的数量;
3、获取训练集中t时刻和t+1时刻的储能调频容量需求值,并将t时刻的储能调频容量需求值输入至GRU预测模型中,输出t+1时刻的储能调频容量需求预测值,计算t+1时刻的储能调频容量需求值和t+1时刻的储能调频容量需求预测值之间的误差,并更新t=t+1,循环执行步骤3以对GRU预测模型进行迭代训练,直到达到预设迭代次数,得到训练好的GRU预测模型;
具体地,在本实施例中,GRU预测模型的神经元个数为200个,预设迭代次数为300;
4、基于每次迭代得到的t+1时刻的储能调频容量需求值和t+1时刻的储能调频容量需求预测值之间的误差计算训练误差均值和训练误差标准差,并基于训练误差均值和训练误差标准差得到置信区间上下限;
本实施例中置信区间上下限的计算公式与上述实施例中相同,具体地,在本实施例中,上显著水平和下显著水平/>的取值均为0.9;
5、将需要预测的储能调频容量需求值输入至训练好的GRU预测模型中,基于训练好的GRU预测模型的输出和置信区间上下限结合得到下一时刻的储能调频容量需求预测区间,并根据该储能调频容量需求预测区间动态调整储能***的备用容量。
请参阅图8,图8所示为采用本实施例提供的储能调频容量配置方法动态调整储能***的备用容量后得到的区域控制误差曲线示意图,从图中可以看出,采用本申请提供的方法时序优化分配储能调频容量能够提升调频***的控制精度和稳定性。
本领域内的技术人员应明白,本申请的实施例可提供为方法、***、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,上述实施例仅仅是为清楚地说明所作的举例,并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (10)
1.一种储能调频容量配置方法,其特征在于,包括:
S10:获取训练集中t时刻和t+1时刻的储能调频容量需求值;
S20:将所述t时刻的储能调频容量需求值输入至GRU预测模型中,输出t+1时刻的储能调频容量需求预测值,计算所述t+1时刻的储能调频容量需求值和所述t+1时刻的储能调频容量需求预测值之间的误差,并更新t=t+1,返回执行步骤S10以对所述GRU预测模型进行迭代训练,直到达到预设迭代次数,得到训练好的GRU预测模型;
S30:基于每次迭代得到的t+1时刻的储能调频容量需求值和t+1时刻的储能调频容量需求预测值之间的误差计算训练误差均值和训练误差标准差,并基于所述训练误差均值和所述训练误差标准差得到置信区间上下限;
S40:实时获取待预测的储能调频容量需求值并将所述待预测的储能调频容量需求值输入至训练好的GRU预测模型中,基于所述训练好的GRU预测模型的输出和所述置信区间上下限得到下一时刻的储能调频容量需求预测区间。
2.根据权利要求1所述的储能调频容量配置方法,其特征在于,步骤S10前还包括:
采集预设时间段内每一时刻的电源侧数据和电网侧数据,并对所述电源侧数据和所述电网侧数据进行预处理;
基于预处理后每一时刻的电源侧数据和电网侧数据计算得到每一时刻的储能调频容量需求值,并基于所有时刻的储能调频容量需求值得到训练集。
3.根据权利要求2所述的储能调频容量配置方法,其特征在于,所述电源侧数据和所述电网侧数据包括自动发电***调频指令、历史区域控制误差、频率偏差、火电调频功率、风电调频功率、光伏调频功率和水电调频功率。
4.根据权利要求2所述的储能调频容量配置方法,其特征在于,所述对所述电源侧数据和所述电网侧数据进行预处理包括:
利用KNN算法在所述电源侧数据和所述电网侧数据中选取与缺失数据欧式距离最近的k个数据,并计算k个数据的均值或中位数以对缺失数据进行补充;
利用3σ准则对所述电源侧数据和所述电网侧数据中的异常值进行剔除。
5.根据权利要求2所述的储能调频容量配置方法,其特征在于,所述每一时刻储能调频容量需求值的计算公式为:
,
其中,为/>时刻的储能调频容量需求值,/>表示/>时刻自动发电***调频指令,/>表示时刻第/>个调频源响应自动发电***调频指令的调频功率,/>表示调频源的数量。
6.根据权利要求1所述的储能调频容量配置方法,其特征在于,步骤S30中基于所述训练误差均值和所述训练误差标准差得到置信区间上下限包括:
基于所述训练误差均值和所述训练误差标准差计算置信区间上限,其具体计算公式为:
,
其中,为置信区间上限,/>为上显著水平,/>为训练误差均值,/>为置信区间上限系数,/>为训练误差标准差;
基于所述训练误差均值和所述训练误差标准差计算置信区间下限,其具体计算公式为:
,
其中,为置信区间下限,/>为下显著水平,/>为置信区间下限系数。
7.根据权利要求6所述的储能调频容量配置方法,其特征在于,步骤S40中基于所述训练好的GRU预测模型的输出和所述置信区间上下限得到下一时刻的储能调频容量需求预测区间包括:
基于所述训练好的GRU预测模型的输出和所述置信区间下限得到下一时刻的储能调频容量需求预测值下限,其具体计算公式为:
,
其中,为下一时刻的储能调频容量需求预测值下限,/>为训练好的GRU预测模型的输出;
基于所述训练好的GRU预测模型的输出和所述置信区间上限得到下一时刻的储能调频容量需求预测值上限,其具体计算公式为:
,
其中,为下一时刻的储能调频容量需求预测值上限;
基于所述下一时刻的储能调频容量需求预测值下限和所述下一时刻的储能调频容量需求预测值上限得到下一时刻的储能调频容量需求预测区间,所述下一时刻的储能调频容量需求预测区间为:
。
8.根据权利要求7所述的储能调频容量配置方法,其特征在于,步骤S40后还包括根据所述下一时刻的储能调频容量需求预测区间调整储能***的备用容量,其具体包括:
若所述储能***处于放电状态,则调整所述储能***的上备用容量大于所述下一时刻的储能调频容量需求预测值上限;
若所述储能***处于充电状态,则调整所述储能***的下备用容量小于所述下一时刻的储能调频容量需求预测值下限。
9.一种储能调频容量配置装置,其特征在于,包括:
数据获取模块,用于获取训练集中t时刻和t+1时刻的储能调频容量需求值;
模型训练模块,用于将所述t时刻的储能调频容量需求值输入至GRU预测模型中,输出t+1时刻的储能调频容量需求预测值,计算所述t+1时刻的储能调频容量需求值和所述t+1时刻的储能调频容量需求预测值之间的误差,并更新t=t+1,返回执行所述数据获取模块的步骤以对所述GRU预测模型进行迭代训练,直到达到预设迭代次数,得到训练好的GRU预测模型;
置信区间计算模块,用于基于每次迭代得到的t+1时刻的储能调频容量需求值和t+1时刻的储能调频容量需求预测值之间的误差计算训练误差均值和训练误差标准差,并基于所述训练误差均值和所述训练误差标准差得到置信区间上下限;
储能调频容量需求区间预测模块,用于实时获取待预测的储能调频容量需求值并将所述待预测的储能调频需求值输入至训练好的GRU预测模型中,基于所述训练好的GRU预测模型的输出和所述置信区间上下限得到下一时刻的储能调频容量需求预测区间。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1-8任一项所述的储能调频容量配置方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311425358.4A CN117154781B (zh) | 2023-10-31 | 2023-10-31 | 一种储能调频容量配置方法、装置及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311425358.4A CN117154781B (zh) | 2023-10-31 | 2023-10-31 | 一种储能调频容量配置方法、装置及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117154781A true CN117154781A (zh) | 2023-12-01 |
CN117154781B CN117154781B (zh) | 2024-01-23 |
Family
ID=88899166
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311425358.4A Active CN117154781B (zh) | 2023-10-31 | 2023-10-31 | 一种储能调频容量配置方法、装置及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117154781B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117878974A (zh) * | 2024-03-13 | 2024-04-12 | 西安热工研究院有限公司 | 基于误差反馈的熔盐储能耦合火电机组的调频方法及*** |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021114849A1 (zh) * | 2019-12-12 | 2021-06-17 | 国网浙江省电力有限公司台州供电公司 | 增加新能源发电波动的海岛电网储能***分层控制方法 |
CN113890056A (zh) * | 2021-09-17 | 2022-01-04 | 华中科技大学 | 适用于风储联合调频***的功率优化分配控制方法及*** |
CN114336678A (zh) * | 2021-12-17 | 2022-04-12 | 中国长江三峡集团有限公司 | 一种基于pmu的风光储场站一次调频控制的方法 |
CN115102187A (zh) * | 2022-06-14 | 2022-09-23 | 中广核研究院有限公司 | 孤岛微电网管理***及其能量管理方法 |
CN116365549A (zh) * | 2023-04-13 | 2023-06-30 | 南京工程学院 | 一种基于奇异谱分析的新能源电网调频储能需求配置方法 |
CN116799828A (zh) * | 2023-08-07 | 2023-09-22 | 南方电网科学研究院有限责任公司 | 一种面向柔性互联配电网的储能多时间尺度容量配置方法 |
CN116937623A (zh) * | 2023-09-14 | 2023-10-24 | 北京盛藏技术有限公司 | 一种利用新能源预测的混合储能辅调频控制方法及*** |
-
2023
- 2023-10-31 CN CN202311425358.4A patent/CN117154781B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021114849A1 (zh) * | 2019-12-12 | 2021-06-17 | 国网浙江省电力有限公司台州供电公司 | 增加新能源发电波动的海岛电网储能***分层控制方法 |
CN113890056A (zh) * | 2021-09-17 | 2022-01-04 | 华中科技大学 | 适用于风储联合调频***的功率优化分配控制方法及*** |
CN114336678A (zh) * | 2021-12-17 | 2022-04-12 | 中国长江三峡集团有限公司 | 一种基于pmu的风光储场站一次调频控制的方法 |
CN115102187A (zh) * | 2022-06-14 | 2022-09-23 | 中广核研究院有限公司 | 孤岛微电网管理***及其能量管理方法 |
CN116365549A (zh) * | 2023-04-13 | 2023-06-30 | 南京工程学院 | 一种基于奇异谱分析的新能源电网调频储能需求配置方法 |
CN116799828A (zh) * | 2023-08-07 | 2023-09-22 | 南方电网科学研究院有限责任公司 | 一种面向柔性互联配电网的储能多时间尺度容量配置方法 |
CN116937623A (zh) * | 2023-09-14 | 2023-10-24 | 北京盛藏技术有限公司 | 一种利用新能源预测的混合储能辅调频控制方法及*** |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117878974A (zh) * | 2024-03-13 | 2024-04-12 | 西安热工研究院有限公司 | 基于误差反馈的熔盐储能耦合火电机组的调频方法及*** |
CN117878974B (zh) * | 2024-03-13 | 2024-06-11 | 西安热工研究院有限公司 | 基于误差反馈的熔盐储能耦合火电机组的调频方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN117154781B (zh) | 2024-01-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wong et al. | Review on the optimal placement, sizing and control of an energy storage system in the distribution network | |
CN104037793B (zh) | 一种应用于主动配电网的储能单元容量配置方法 | |
CN106026092B (zh) | 一种用于含分布式电源的配电网孤岛划分方法 | |
CN107069814B (zh) | 配网分布式电源容量布点的模糊机会约束规划方法与*** | |
Ding et al. | Operational reliability evaluation of restructured power systems with wind power penetration utilizing reliability network equivalent and time-sequential simulation approaches | |
CN117154781B (zh) | 一种储能调频容量配置方法、装置及计算机可读存储介质 | |
CN103390116A (zh) | 采用分步方式的光伏电站发电功率预测方法 | |
CN107732958B (zh) | 一种计及源荷协同恢复的独立微电网黑启动优化方法 | |
CN112103980A (zh) | 一种联合火电机组agc调频的混合储能***能量管理方法 | |
Abidi et al. | Multi-agent oriented solution for forecasting-based control strategy with load priority of microgrids in an island mode–case study: Tunisian petroleum platform | |
Liu et al. | Bi-level coordinated power system restoration model considering the support of multiple flexible resources | |
Sun et al. | Improving the restorability of bulk power systems with the implementation of a WF-BESS system | |
CN112381375A (zh) | 一种基于潮流分配矩阵的电网经济运行域快速生成方法 | |
Zjavka | Power quality statistical predictions based on differential, deep and probabilistic learning using off‐grid and meteo data in 24‐hour horizon | |
Zhang et al. | Frequency-constrained unit commitment for power systems with high renewable energy penetration | |
CN113346484B (zh) | 一种考虑暂态不确定性的配电网弹性提升方法及*** | |
CN111224422A (zh) | 一种基于可靠性的微电网分布式电源配置方法及*** | |
CN111952964A (zh) | 一种配电网多时段故障恢复模型的解耦方法 | |
CN115473284B (zh) | 区域电力交换约束下配电***运行的鲁棒优化方法、***及计算机设备 | |
Fu et al. | A spatial forecasting method for photovoltaic power generation combined of improved similar historical days and dynamic weights allocation | |
Hua et al. | Design of energy dispatch strategy of active distribution network using chance-constrained programming | |
Wei et al. | A lite cellular generalized neuron network for frequency prediction of synchronous generators in a multimachine power system | |
CN113780722B (zh) | 配电网的联合规划方法、装置、计算机设备和存储介质 | |
CN109787217A (zh) | 基于风电多状态模型及机会成本修正的备用出清方法 | |
CN114649822A (zh) | 一种考虑风光三状态的微电网混合储能双层容量配置方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |