CN117277357A - 采用液流电池的新型火电储能调频方法、***及电子设备 - Google Patents
采用液流电池的新型火电储能调频方法、***及电子设备 Download PDFInfo
- Publication number
- CN117277357A CN117277357A CN202311562868.6A CN202311562868A CN117277357A CN 117277357 A CN117277357 A CN 117277357A CN 202311562868 A CN202311562868 A CN 202311562868A CN 117277357 A CN117277357 A CN 117277357A
- Authority
- CN
- China
- Prior art keywords
- predicted
- charge
- state
- sampling points
- energy storage
- 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 73
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000005070 sampling Methods 0.000 claims abstract description 169
- 239000003990 capacitor Substances 0.000 claims abstract description 45
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 35
- 230000004044 response Effects 0.000 claims abstract description 31
- 241000283153 Cetacea Species 0.000 claims description 37
- 210000002569 neuron Anatomy 0.000 claims description 29
- 238000013528 artificial neural network Methods 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 16
- 239000013598 vector Substances 0.000 claims description 7
- 238000010248 power generation Methods 0.000 claims 1
- 230000008569 process Effects 0.000 description 12
- 230000008901 benefit Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000000354 decomposition reaction Methods 0.000 description 4
- 238000007599 discharging Methods 0.000 description 4
- 238000010521 absorption reaction Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 2
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000003245 coal Substances 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000000087 stabilizing effect Effects 0.000 description 2
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 229910001416 lithium ion Inorganic materials 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M8/00—Fuel cells; Manufacture thereof
- H01M8/04—Auxiliary arrangements, e.g. for control of pressure or for circulation of fluids
- H01M8/04298—Processes for controlling fuel cells or fuel cell systems
- H01M8/04694—Processes for controlling fuel cells or fuel cell systems characterised by variables to be controlled
- H01M8/04955—Shut-off or shut-down of fuel cells
-
- 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
- H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means
-
- 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
- H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
- H02J7/0047—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries with monitoring or indicating devices or circuits
- H02J7/0048—Detection of remaining charge capacity or state of charge [SOC]
-
- 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
- H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
- H02J7/34—Parallel operation in networks using both storage and other dc sources, e.g. providing buffering
- H02J7/345—Parallel operation in networks using both storage and other dc sources, e.g. providing buffering using capacitors as storage or buffering devices
-
- 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)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Power Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Sustainable Development (AREA)
- General Chemical & Material Sciences (AREA)
- Electrochemistry (AREA)
- Algebra (AREA)
- Chemical & Material Sciences (AREA)
- Sustainable Energy (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Manufacturing & Machinery (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本申请涉及电网调频技术领域,具体提出一种采用液流电池的新型火电储能调频方法、***及电子设备,其中,方法包括在接收到调频指令后,确定混合储能响应功率;通过EEMD算法将混合储能响应功率划分为高频分量和低频分量;确定待预测采样点的各种电池参数的目标权重和该待预测采样点的荷电状态预测值,以得到当前时刻之后设定时长的荷电状态预测值集;判断荷电状态预测值和荷电状态设定范围,结合高频分量和低频分量以控制超级电容器和液流电池进行响应,以使液流电池荷电状态不超出荷电状态设定范围,以降低对电池寿命的影响。
Description
技术领域
本申请涉及电网调频技术领域,尤其涉及一种采用液流电池的新型火电储能调频方法、***及电子设备。
背景技术
对火电机组而言,长期调频会导致机组煤耗增加、可靠性降低、运行寿命减少。另一方面,优质高效调频电源稀缺,目前仍以燃煤火电机组为主要调频电源,加之大规模新能源并网需求,环保压力制约机组调节能力,供热机组“以热定电”等问题,使电力调频需求进一步增长。但是,目前火电厂配套辅助调频储能装备的性能无法满足机组本身的效率及可靠性要求、且辅助调频储能装备参与调频时对电池的寿命影响较大,进而影响了电网补贴收益的获得,使得经济效益较低。
发明内容
本申请旨在至少在一定程度上解决相关技术中的技术问题之一。
为此,本申请的第一个目的在于提出一种采用液流电池的新型火电储能调频方法,以降低对电池寿命的影响。
本申请的第二个目的在于提出一种采用液流电池的新型火电储能调频***。
本申请的第三个目的在于提出一种电子设备。
本申请的第四个目的在于提出一种计算机可读存储介质。
为达上述目的,本申请第一方面实施例提出了一种采用液流电池的新型火电储能调频方法,火电厂配置的混合储能装置包括液流电池和超级电容器,调频方法包括以下步骤:
在接收到调频指令后,确定混合储能响应功率;
通过EEMD算法将所述混合储能响应功率划分为高频分量和低频分量;
利用改进的皮尔逊相关系数和改进的余弦相似度,基于待预测采样点前设定时长内所有采样点的多种电池参数和荷电状态、待预测采样点的多种电池参数获得待预测采样点的各种电池参数的目标权重,以得到待预测采样点的目标电池参数,将待预测采样点的目标电池参数输入训练好的预测模型获得待预测采样点的荷电状态预测值,以得到当前时刻之后设定时长的荷电状态预测值集,其中待预测采样点为当前时刻采样点或当前时刻之后设定时长内所有采样点中的任一个;
在当前时刻之后设定时长内,若所述荷电状态预测值集中待预测采样点的荷电状态预测值处于荷电状态设定范围内,则控制所述超级电容器按照所述高频分量进行响应、控制所述液流电池按照所述低频分量进行响应;否则基于所述荷电状态预测值获得超级电容功率补偿值,控制所述超级电容器按照所述超级电容功率补偿值和高频分量进行响应、控制所述液流电池停止运行。
在本申请的第一方面的方法中,利用待预测采样点的多种电池参数的归一化值优化余弦相似度得到改进的余弦相似度;利用待预测采样点的多种电池参数的归一化值优化皮尔逊相关系数得到改进的皮尔逊相关系数。
在本申请的第一方面的方法中,所述获得待预测采样点的各种电池参数的目标权重,包括:基于液流电池的待预测采样点前设定时长内所有采样点的多种电池参数和荷电状态、待预测采样点的多种电池参数的归一化值,采用改进的余弦相似度得到各种电池参数的第一相似度,采样改进的皮尔逊相关系数得到各种电池参数的第二相似度;基于所述各种电池参数的第一相似度和第二相似度获得待预测采样点的各种电池参数的目标权重。
在本申请的第一方面的方法中,所述预测模型采用BP神经网络。
在本申请的第一方面的方法中,预测模型训练步骤包括:基于当前时刻采样点之前设定时长内的多种电池参数和荷电状态,利用所述BP神经网络得到训练误差;将所述BP神经网络的各神经元的初始权值和初始阈值、神经元的总数量作为座头鲸的位置向量,所述训练误差作为适应度函数,采用改进的鲸鱼算法获得各神经元的最优权值、最优阈值和最优神经元的总数量,基于最优神经元的总数量、最优权值和最优阈值得到训练好的预测模型。
在本申请的第一方面的方法中,利用最大迭代次数、自然对数函数对鲸鱼算法的收敛因子进行优化,以得到所述改进的鲸鱼算法。
在本申请的第一方面的方法中,所述基于所述荷电状态预测值获得超级电容功率补偿值,包括:若所述荷电状态预测值小于荷电状态设定范围的下限或大于荷电状态设定范围的上限,则基于所述荷电状态预测值集中待预测采样点的荷电状态预测值、所述荷电状态设定范围的下限、电池额定容量获得超级电容功率补偿值。
为达上述目的,本申请第二方面实施例提出了一种采用液流电池的新型火电储能调频***,火电厂配置的混合储能装置包括液流电池和超级电容器,调频***包括:
确定模块,用于在接收到调频指令后,确定混合储能响应功率;
划分模块,用于通过EEMD算法将所述混合储能响应功率划分为高频分量和低频分量;
预测模块,用于利用改进的皮尔逊相关系数和改进的余弦相似度,基于待预测采样点前设定时长内所有采样点的多种电池参数和荷电状态、待预测采样点的多种电池参数获得待预测采样点的各种电池参数的目标权重,以得到待预测采样点的目标电池参数,将待预测采样点的目标电池参数输入训练好的预测模型获得待预测采样点的荷电状态预测值,以得到当前时刻之后设定时长的荷电状态预测值集,其中待预测采样点为当前时刻采样点或当前时刻之后设定时长内所有采样点中的任一个;
控制模块,用于在当前时刻之后设定时长内,若所述荷电状态预测值集中待预测采样点的荷电状态预测值处于荷电状态设定范围内,则控制所述超级电容器按照所述高频分量进行响应、控制所述液流电池按照所述低频分量进行响应;否则基于所述荷电状态预测值获得超级电容功率补偿值,控制所述超级电容器按照所述超级电容功率补偿值和高频分量进行响应、控制所述液流电池停止运行。
为达上述目的,本申请第三方面实施例提出了一种电子设备,包括:处理器,以及与所述处理器通信连接的存储器;所述存储器存储计算机执行指令;所述处理器执行所述存储器存储的计算机执行指令,以实现本申请第一方面提出的方法。
为达上述目的,本申请第四方面实施例提出了一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机执行指令,所述计算机执行指令被处理器执行时用于实现本申请第一方面提出的方法。
本申请提供的采用液流电池的新型火电储能调频方法、***、电子设备及存储介质,考虑到超级电容器属于功率型储能装置更适合高频响应,而液流电池属于能量型储能装置更适合低频响应,通过EEMD算法将混合储能响应功率划分为高频分量和低频分量,在荷电状态预测值处于荷电状态设定范围内,则控制超级电容器按照高频分量进行响应、控制液流电池按照低频分量进行响应,从而降低了对液流电池的寿命的影响,另外,利用改进的皮尔逊相关系数和改进的余弦相似度,基于待预测采样点前设定时长内所有采样点的多种电池参数和荷电状态、待预测采样点的多种电池参数获得待预测采样点的各种电池参数的目标权重,以得到待预测采样点的荷电状态预测值,由此实现了对不同电池参数对荷电状态的影响程度的量化,从而能够更加准确地预测荷电状态,进而更加准确地在荷电状态预测值不处于荷电状态设定范围内时,控制超级电容器按照超级电容功率补偿值和高频分量进行响应、控制液流电池停止运行,以使液流电池的荷电状态保持在荷电状态设定范围内,提高了液流电池的寿命。
本申请附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为本申请实施例所提供的火电厂与电网连接示意图;
图2为本申请实施例所提供的一种采用液流电池的新型火电储能调频方法的流程示意图;
图3为本申请实施例所提供的采用液流电池的新型火电储能调频方法的具体流程示意图;
图4为本申请实施例所提供的当前时刻之后设定时长内的荷电状态预测值曲线图;
图5为本申请实施例所提供的液流电池在进行功率吸收或补偿过程中的荷电状态变化曲线图;
图6为本申请实施例所提供的一种采用液流电池的新型火电储能调频***的框图。
具体实施方式
下面详细描述本申请的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本申请,而不能理解为对本申请的限制。
下面参考附图描述本申请实施例的采用液流电池的新型火电储能调频方法和***。
目前对火电机组而言,长期调频会导致机组煤耗增加、可靠性降低、运行寿命减少。另一方面,优质高效调频电源稀缺,目前仍以燃煤火电机组为主要调频电源,加之大规模新能源并网需求,环保压力制约机组调节能力,供热机组“以热定电”等问题,使电力调频需求进一步增长。但是,目前火电厂配套辅助调频储能装备的性能无法满足机组本身的效率及可靠性要求、且辅助调频储能装备参与调频时对电池的寿命影响较大,进而影响了电网补贴收益的获得,使得经济效益较低。基于此,本申请实施例提供了采用液流电池的新型火电储能调频方法,以降低对电池寿命的影响。
在本申请中,火电厂配置的混合储能装置包括液流电池和超级电容器。混合储能装置协助火电机组参与调频。
图1为本申请实施例所提供的火电厂与电网连接示意图。如图1所示,火电机组G经母线与电网连接,液流电池和超级电容器分别经第一变流器、第二变流器与母线连接后连接至电网。在电网下发调频指令时,调频指令携带有负荷响应需求PT, 火电厂在接收到调频指令后,火电机组G以火电机组负荷PG进行响应,液流电池以电池功率PL进行响应,超级电容器以超容功率PC进行响应。
图2为本申请实施例所提供的一种采用液流电池的新型火电储能调频方法的流程示意图。图3为本申请实施例所提供的采用液流电池的新型火电储能调频方法的具体流程示意图。
如图2所示,该采用液流电池的新型火电储能调频方法包括以下步骤:
步骤S101,在接收到调频指令后,确定混合储能响应功率。
具体地,在步骤S101中,不断获取火电机组负荷PG(也称机组出力),在接收到调频指令后,从调频指令中获得负荷响应需求PT,如图3所示,计算负荷响应需求PT与火电机组负荷PG的差值得到混合储能响应功率PJ(也称储能出力),即PT-PG=PJ。
步骤S102,通过EEMD算法将混合储能响应功率划分为高频分量和低频分量。
具体地,在步骤S102中,考虑到在混合储能装置中,超级电容器属于功率型储能装置,能量密度低但功率密度大,且循环次数多,适合补偿负荷响应需求PT与火电机组负荷PG的差值的高频分量;而电池属于能量型储能装置,功率密度低但能量密度大,适合补偿负荷响应需求PT与火电机组负荷PG的差值的低频分量。故将混合储能响应功率传入储能控制***中,储能控制***通过集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)算法将混合储能响应功率划分为高频分量和低频分量,以便后续基于储能控制指令利用高频分量和低频分量调节液流电池和超级电容器的充放电。
其中,混合储能响应功率PJ通过EEMD算法分解之后可得,式中,为分解后的第γ个本征模态函数(Intrinsic Mode Function,IMF)分量,/>为分解后的残余分量。根据液流电池与超级电容平抑功率波动特点,对IMF分量进行高、低频重构。选取合适的滤波阶数,小于等于j的IMF分量之和确定为高频分量,由超级电容器平抑,即为超容功率PC,大于j的IMF分量及残余余量之和为低频分量,由液流电池平抑,即为电池功率PL,可表示为:
式中n为IMF分量的数量,j表示分频系数,分频系数一般取[n/2]即IMF分量的数量一半后取整,k为时间。
步骤S103,确定待预测采样点的各种电池参数的目标权重和该待预测采样点的荷电状态预测值,以得到当前时刻之后设定时长的荷电状态预测值集。
步骤S103中,考虑到SOC(state of charge,荷电状态)预测中,不同的电池参数(例如电池电流I,电池电压U,电池温度T)对SOC的影响程度不一样,故本申请利用改进的皮尔逊相关系数和改进的余弦相似度对不同的电池参数进行权重分配,从而对不同电池参数的影响程度进行了量化。
具体地,利用改进的皮尔逊相关系数和改进的余弦相似度,基于待预测采样点前设定时长内所有采样点的多种电池参数和荷电状态、待预测采样点的多种电池参数获得待预测采样点的各种电池参数的目标权重,以得到待预测采样点的目标电池参数,将待预测采样点的目标电池参数输入训练好的预测模型获得待预测采样点的荷电状态预测值,以得到当前时刻之后设定时长的荷电状态预测值集,其中待预测采样点为当前时刻采样点或当前时刻之后设定时长内所有采样点中的任一个。
本实施例中,步骤S103中考虑到在进行余弦相似度或皮尔逊相关系数计算时,不同皮尔逊相关系数间(例如电池电流I,电池电压U,电池温度T)有互相影响的复杂关系,因此考虑这种关系对余弦相似度进行改进。具体地,利用待预测采样点的多种电池参数的归一化值优化余弦相似度得到改进的余弦相似度。利用待预测采样点的多种电池参数的归一化值优化皮尔逊相关系数得到改进的皮尔逊相关系数。
考虑到在一般的研究中选取电池电压、电池电流、电池温度作为输入来预测SOC值,然而电池电压、电池电流、电流温度对SOC的影响程度不同,因此本申请采用量化的方法确定三种电池参数与SOC的相关程度,来提高SOC预测精度。以多种电池参数包括电池电流、电池电压和电池温度三种类型参数,待预测采样点前设定时长内所有采样点的个数为300为例。
改进的余弦相似度满足:
式中,l i为待预测采样点前设定时长内第i个采样点下的一种电池参数,l i分别取对应采样点的Ui、Ii或Ti时,为电压余弦相似度(也称电压第一相似度)q1、电流余弦相似度(也称电流第一相似度)q2、温度余弦相似度(也称温度第一相似度)q3。SOCi为待预测采样点前设定时长内第i个采样点下的荷电状态,i=1、2、…、300。Um’、Im’、Tm’分别为待预测采样点的电池电压Um、电池电流Im、电流温度Tm的归一化值。Xm’取与l i类型一致的对应的Um’、Im’、Tm’。改进的余弦相似度考虑了各电池参数间的相互的影响,提高了后续SOC预测精度。
改进的皮尔逊相关系数满足:
式中,L i为待预测采样点前设定时长内第i个采样点下的一种电池参数,L i分别取对应采样点的Ui、Ii或Ti时,为电压皮尔逊相关系数(也称电压第二相似度)q1’、电流皮尔逊相关系数(也称电流第二相似度)q2’、温度皮尔逊相关系数(也称温度第二相似度)q3’。
本实施例中,获得待预测采样点的各种电池参数的目标权重,包括:基于液流电池的待预测采样点前设定时长内所有采样点的多种电池参数和荷电状态、待预测采样点的多种电池参数的归一化值,采用改进的余弦相似度得到各种电池参数的第一相似度,采样改进的皮尔逊相关系数得到各种电池参数的第二相似度;基于各种电池参数的第一相似度和第二相似度获得待预测采样点的各种电池参数的目标权重。
目标权重满足:
式中,时/>分别代表电池电压、电池电流、电流温度的目标权重。else为其他范围。
步骤S103中,得到待预测采样点的各种电池参数的目标权重后,将待预测采样点的各种电池参数分别乘以对应的目标权重得到待预测采样点的目标电池参数。即待预测采样点的目标电池电压Um *为Um * = *Um、目标电池电流Im *为Im * =/>*Im、目标电流温度Tm *为Tm *=/>*Tm。
将待预测采样点的目标电池参数输入训练好的预测模型获得待预测采样点的荷电状态预测值,即将待预测采样点的目标电池电压Um * 、目标电池电流Im *、目标电流温度Tm *作为训练好的预测模型的输入数据输入该模型后得到待预测采样点的荷电状态预测值SOCm。
步骤S103中,待预测采样点为当前时刻采样点或当前时刻之后设定时长(例如当前时刻后的未来时长H)内所有采样点(例如300个采样点)中的任一个。
其中,待预测采样点为当前时刻采样点时,用于获得当前时刻采样点的各种电池参数的目标权重的数据为当前时刻采样点前设定时长内300个采样点的多种电池参数和荷电状态、及当前时刻采样点的多种电池参数。其中当前时刻采样点前设定时长内所有采样点的多种电池参数和荷电状态均为历史数据,当前时刻采样点的多种电池参数可以实时采集得到。此时当前时刻采样点的荷电状态为利用预测模型得到的荷电状态预测值。
待预测采样点为当前时刻之后设定时长内所有采样点中的任一个时,以当前时刻采样点的下一采样点为例,用于获得该采样点的各种电池参数的目标权重的数据为该采样点前设定时长内300个采样点的多种电池参数和荷电状态、及该采样点的多种电池参数。其中该采样点前设定时长内300个采样点的多种电池参数包括当前时刻采样点的多种电池参数、及当前时刻采样点前299的多种电池参数,该采样点前设定时长内300个采样点的荷电状态包括当前时刻采样点的荷电状态(其为利用预测模型得到的预测值)、及当前时刻采样点前299的荷电状态(其为历史数据)。该采样点的多种电池参数为利用现有预测方法得到的电池电压、电池电流和电池温度。当前时刻之后设定时长内的其余299个采样点分别作为待预测采样点时,计算目标权重所需的数据可以参照该当前时刻采样点的下一采样点中的数据描述。
步骤S103中,将当前时刻采样点、当前时刻之后设定时长内所有采样点均作为待预测采样点得到对应的荷电状态预测值后,可以得到当前时刻之后设定时长的荷电状态预测值集。
本实施例中,步骤S103中,荷电状态预测值利用预测模型得到。预测模型采用BP(Back Propagation,反向传播)神经网络。
本实施例中,预测模型训练步骤包括:基于当前时刻采样点之前设定时长内的多种电池参数和荷电状态,利用BP神经网络得到训练误差;将BP神经网络的各神经元的初始权值和初始阈值、神经元的总数量作为座头鲸的位置向量,训练误差作为适应度函数,采用改进的鲸鱼算法获得各神经元的最优权值、最优阈值和最优神经元的总数量,基于最优神经元的总数量、最优权值和最优阈值得到训练好的预测模型。
易于理解地,BP神经网络是一种由误差反向传播算法训练的多层前馈网络,BP神经网络包含输入层、隐含层、输出层,分为前向传递和反向传播两个阶段,前向传递中信号经过一系列计算从输入层经隐含层传递到输出层计算预测值,若预测值与实际值误差未达到阈值,再通过误差反向传播来更新网络的权值与偏置大小,降低误差。本申请以电池电压、电池电流以及电池温度作为输入数据,SOC作为输出数据。其中,在训练时将当前时刻采样点之前设定时长内的多种电池参数输入模型经输入层经隐含层传递到输出层计算输出数据预测值后结合获取对应时长内的荷电状态得到训练误差。将训练误差作为改进的鲸鱼算法的适应度函数。
传统的鲸鱼算法(Whale Optimization Algorithm,WOA)一般包括包围目标猎物、螺旋线位置更新和搜寻猎物。在包围目标猎物时以距离猎物位置最近的座头鲸位置为最优解,剩余座头鲸以向该最优解位置靠拢为目的,逐渐更新自身位置,其中,包围目标猎物的数学模型的计算式为:
式中,D为鲸鱼个体与当前最优解的距离,是第t次迭代对应的全局最优解,/>为第t次迭代对应的鲸鱼的位置,A为第一系数,C为第二系数,/>为第t+1次迭代对应的鲸鱼的位置,其中,/>、/>,/>为第一随机向量,/>为第二随机向量,/>,/>均属于[0,1],/>为收敛因子,/>,/>为最大迭代次数。
在螺旋线位置更新中,以螺旋上升的形式游向猎物,螺旋形路径的数学表达如下:
式中,=|X*(t)-X(t)|,/>表示鲸鱼与猎物之间的距离,b是一个常数,l是位于[-1,1]之间的随机数。鲸鱼狩猎时假设有鲸鱼有50%的概率在收缩包围和螺旋上升之间进行随机选择,优化鲸鱼的位置。表达式如下:
在搜寻猎物中,搜寻猎物阶段的数学模型的计算式如下:
式中,为当前迭代t随机选取的鲸鱼个体的位置。
本实施例中,考虑到WOA算法在进化搜索过程中却是非线性变化的,收敛因子线性递减策略不能完全体现出算法实际的优化搜索过程,因此本申请利用最大迭代次数、自然对数函数对鲸鱼算法的收敛因子进行优化,提出前期增大/>值提高WOA在全局解空间的搜索能力,后期减小/>值使WOA进行更精细的局部开发,以得到改进的鲸鱼算法(ImprovedWhale Optimization Algorithm,IWOA)。
采用该类非线性策略的优化后的收敛因子的具体公式为:
式中,t为当前迭代,为最大迭代次数,e为自然常数,/>取1~/>。基于改进的鲸鱼算法能够更好地平衡WOA的全局和局部搜索能力。
本实施例中,步骤S103中采用改进的鲸鱼算法获得的训练好的预测模型可以用IWOA-BP表示。具体过程包括:
1)初始化:确定BP神经网络初始结构、神经元的总数量,以及连接神经元的初始权值和初始阈值,其中神经元的总数量为in*hn+hn+hn*on+on,其中in为BP神经网络的输入层的神经元个数,hn为BP神经网络的隐含层的神经元个数,on为BP神经网络的输出层的神经元个数;将初始权值和初始阈值转化为座头鲸的位置向量,设置种群规模(例如20头座头鲸)、最大迭代次数(例如T max=150)、初始最小权重和最大权重以及收敛因子
2)选取训练误差作为改进的鲸鱼算法的适应度函数,记录当前最优适应度值以及其位置信息;
3)更新座头鲸个体的位置信息,判断迭代数是否达到最大迭代数,若是,结束算法;若否,当前迭代数t加1,返回步骤2);
4)输出最优解,最优解包括各神经元的最优权值、最优阈值和最优神经元的总数量,并将此时得到的各神经元的最优权值、最优阈值和最优神经元的总数量作为BP神经网络的最优参数,得到训练好的预测模型(IWOA-BP模型)。
步骤S103中,得到的当前时刻之后设定时长(例如未来H时长)的荷电状态预测值集,获取荷电状态设定范围,其中荷电状态设定范围的下限为SOCmin。荷电状态设定范围的上限为SOCmax。
步骤S103中,获得荷电状态预测值集的具体过程也可以参见图3,如图3以设定时长内300个采样点为例,基于预测时刻前300次的电压/电流/温度采样数据和预测时刻前300次的SOC数据,利用改进的余弦相似度和改进的皮尔逊相关系数得到目标权重,利用目标权重和预测时刻的电压/电流/温度采样数据送至IWOA-BP模型输出的SOC预测值,并送至控制***。
步骤S104,判断荷电状态预测值和荷电状态设定范围,结合高频分量和低频分量以控制超级电容器和液流电池进行响应,以使液流电池荷电状态不超出荷电状态设定范围。
步骤S104中,考虑到随着电池充/放电深度增大,其循环寿命次数会不断减少。因此,无论是从成本角度还是电池寿命的角度考虑,有必要对电池的充放电深度进行控制,使其始终保持在合适的范围(即荷电状态设定范围)内。
具体地,步骤S104中,在当前时刻之后设定时长内,若荷电状态预测值集中待预测采样点的荷电状态预测值处于荷电状态设定范围内,则控制超级电容器按照高频分量进行响应、控制液流电池按照低频分量进行响应;否则基于荷电状态预测值获得超级电容功率补偿值,控制超级电容器按照超级电容功率补偿值和高频分量进行响应、控制液流电池停止运行。
本实施例中,基于荷电状态预测值获得超级电容功率补偿值,包括:若荷电状态预测值小于荷电状态设定范围的下限或大于荷电状态设定范围的上限,则基于荷电状态预测值集中待预测采样点的荷电状态预测值、荷电状态设定范围的下限、电池额定容量获得超级电容功率补偿值。
图4为本申请实施例所提供的当前时刻之后设定时长内的荷电状态预测值曲线图。其中,0时刻即为当前时刻,横坐标为时间,纵坐标为荷电状态预测值。
如图4所示,在当前时刻后未来H时长内,液流电池的荷电状态预测值在[τa~τb]时段低于荷电状态设定范围的下限SOCmin。在[τc~τd]时段高于荷电状态设定范围的上限SOCmax。
从当前时刻开始,若时间到达[τa~τb]时段,液流电池停止充放电,即PL=0,此时缺失的功率由超级电容器补偿,具体的补偿公式为:
式中,m0为调整系数,SOC(τ)为荷电状态预测值集中τ时刻对应的采样点的荷电状态预测值,τm为荷电状态预测值最小时的时间,QL是液流电池额定容量。在[τa~τb]时段,计算超级电容功率补偿值Pc1补偿和高频分量的和得到第一功率,控制超级电容器按照第一功率进行响应、控制液流电池停止运行。
从当前时刻开始,若时间到达[τc~τd]时段,液流电池停止充放电,即PL=0,此时缺失的功率由超级电容器补偿,具体的补偿公式为:
式中τn为荷电状态预测值最大时的时间,在[τc~τd]时段,计算超级电容功率补偿值Pc2补偿和高频分量的和得到第二功率,控制超级电容器按照第二功率进行响应、控制液流电池停止运行。
从当前时刻开始,若时间处于[τa~τb]、[τc~τd]外的其他时段内时,荷电状态预测值处于荷电状态设定范围,此时控制超级电容器按照高频分量进行响应、控制液流电池按照低频分量进行响应。
参见图3,IWOA-BP模型输出的SOC预测值送至控制***,控制***基于上述步骤S104的处理控制液流电池依据预测值部分时刻停止充/放电,并控制超级电容器依据预测值部分时刻增加/减小出力。
为了验证本申请的方法的效果,进行SOC预测模型预测能力验证。其中实验数据集为某电厂现场采集的锂离子电池组的数据。采集的数据中,电池电流、电池电压、电池温度采集时间间隔是1s,预测的时段H是100S,因此采集100个数据进行预测。为了验证所提出模型的性能,在实验时分别三个基准模型即BP、WOA-BP,IWOA-BP与本申请的模型(权重分配-IWOA-BP)进行了对比。采用四种评测指标来评价预测结果的好坏。四种评测指标为平均绝对误差(Mean absolute error, MAE)、残差平方和(Sum of Squares for Error,SSE)、平均绝对百分比误差(Mean absolute percentage error, MAPE)及均方根误差(Root meansquare error, RMSE)为模型评价标准。
基准模型和本申请所提出的模型的预测指标对比如表1所示。
表1模型预测指标对比表
如表1所示,当与其他所有的基准模型对比时,本申请提出的模型具有最小的误差系数。例如,可以从表得出以上结论,其中预测的平均MAPE值比所有基准模型分别减少了82%,85.65%,85.56%。在所有情况下,MAE、SSE、RMSE遵循相同的规律。将本申请提出的模型与IWOA-BP进行比较时,前者具有更好的预测性能,表中的平均MAE值降低了94.34%。减少的原因是给输入变量赋予目标权重能够更好的挖掘输入变量与预测值之间非线性关系以及评估不同变量对预测值的影响程度。当比较IWOA-BP模型与WOA-BP模型时,前者也提高了后者的预测精度,减少的原因是对本申请提出的改进收敛因子能提高WOA算法的全局收敛能力。WOA-BP与BP模型相比WOA-BP具有令人满意的预测性能,这证明WOA算法很好的优化了BP的权值和阈值。
另外,还进行液流电池荷电状态反馈控制试验,其中在 Matlab / Simulink 中搭建了混合储能***模型,储能***主要参数如下:BESS采用液流电池组,额定容量为320Ah,SOCmax设置为80%,SOCmin设置为20%。SC电容值(超级电容器)为11F。图5为本申请实施例所提供的液流电池在进行功率吸收或补偿过程中的荷电状态变化曲线图。液流电池组在进行功率吸收或补偿过程中的SOC变化曲线如下5图所示。可以从图5的(a)图看出如果不采用电荷反馈控制,圈内在295s左右的时候SOC会持续低于20%,而在采取反馈控制后,液流电池停止放电,SOC一直维持在20%附近。从图5的(b)图看出如果不采用电荷反馈控制,圈内在290s左右的时候SOC会持续高于80%,而在采取反馈控制后,液流电池停止充电,SOC一直维持在80%附近。
为了实现上述实施例,本申请还提出一种采用液流电池的新型火电储能调频***,火电厂配置的混合储能装置包括液流电池和超级电容器。
图6为本申请实施例所提供的一种采用液流电池的新型火电储能调频***的框图。
如图6所示,该采用液流电池的新型火电储能调频***包括确定模块11、划分模块12、预测模块13和控制模块14,其中:
确定模块11,用于在接收到调频指令后,确定混合储能响应功率;
划分模块12,用于通过EEMD算法将混合储能响应功率划分为高频分量和低频分量;
预测模块13,用于利用改进的皮尔逊相关系数和改进的余弦相似度,基于待预测采样点前设定时长内所有采样点的多种电池参数和荷电状态、待预测采样点的多种电池参数获得待预测采样点的各种电池参数的目标权重,以得到待预测采样点的目标电池参数,将待预测采样点的目标电池参数输入训练好的预测模型获得待预测采样点的荷电状态预测值,以得到当前时刻之后设定时长的荷电状态预测值集,其中待预测采样点为当前时刻采样点或当前时刻之后设定时长内所有采样点中的任一个;
控制模块14,用于在当前时刻之后设定时长内,若荷电状态预测值集中待预测采样点的荷电状态预测值处于荷电状态设定范围内,则控制超级电容器按照高频分量进行响应、控制液流电池按照低频分量进行响应;否则基于荷电状态预测值获得超级电容功率补偿值,控制超级电容器按照超级电容功率补偿值和高频分量进行响应、控制液流电池停止运行。
进一步地,在本申请实施例的一种可能的实现方式中,预测模块13中,利用待预测采样点的多种电池参数的归一化值优化余弦相似度得到改进的余弦相似度;利用待预测采样点的多种电池参数的归一化值优化皮尔逊相关系数得到改进的皮尔逊相关系数。
进一步地,在本申请实施例的一种可能的实现方式中,预测模块13中,基于液流电池的待预测采样点前设定时长内所有采样点的多种电池参数和荷电状态、待预测采样点的多种电池参数的归一化值,采用改进的余弦相似度得到各种电池参数的第一相似度,采样改进的皮尔逊相关系数得到各种电池参数的第二相似度;基于各种电池参数的第一相似度和第二相似度获得待预测采样点的各种电池参数的目标权重。
进一步地,在本申请实施例的一种可能的实现方式中,预测模块13中,预测模型采用BP神经网络。
进一步地,在本申请实施例的一种可能的实现方式中,预测模块13中,预测模型训练步骤包括:基于当前时刻采样点之前设定时长内的多种电池参数和荷电状态,利用BP神经网络得到训练误差;将BP神经网络的各神经元的初始权值和初始阈值、神经元的总数量作为座头鲸的位置向量,训练误差作为适应度函数,采用改进的鲸鱼算法获得各神经元的最优权值、最优阈值和最优神经元的总数量,基于最优神经元的总数量、最优权值和最优阈值得到训练好的预测模型。
进一步地,在本申请实施例的一种可能的实现方式中,预测模块13中,利用最大迭代次数、自然对数函数对鲸鱼算法的收敛因子进行优化,以得到改进的鲸鱼算法。
进一步地,在本申请实施例的一种可能的实现方式中,控制模块14中,若荷电状态预测值小于荷电状态设定范围的下限或大于荷电状态设定范围的上限,则基于荷电状态预测值集中待预测采样点的荷电状态预测值、荷电状态设定范围的下限、电池额定容量获得超级电容功率补偿值。
需要说明的是,前述对采用液流电池的新型火电储能调频实施例的解释说明也适用于该实施例的采用液流电池的新型火电储能调频***,此处不再赘述。
本申请实施例中,考虑到超级电容器属于功率型储能装置更适合高频响应,而液流电池属于能量型储能装置更适合低频响应,通过EEMD算法将混合储能响应功率划分为高频分量和低频分量,在荷电状态预测值处于荷电状态设定范围内,则控制超级电容器按照高频分量进行响应、控制液流电池按照低频分量进行响应,从而降低了对液流电池的寿命的影响,另外,利用改进的皮尔逊相关系数和改进的余弦相似度,基于待预测采样点前设定时长内所有采样点的多种电池参数和荷电状态、待预测采样点的多种电池参数获得待预测采样点的各种电池参数的目标权重,以得到待预测采样点的荷电状态预测值,由此实现了对不同电池参数对荷电状态的影响程度的量化,从而能够更加准确地预测荷电状态,进而更加准确地在荷电状态预测值不处于荷电状态设定范围内时,控制超级电容器按照超级电容功率补偿值和高频分量进行响应、控制液流电池停止运行,以使液流电池的荷电状态保持在荷电状态设定范围内,提高了液流电池的寿命。
本申请实施例中,超级电容器耦合液流电池组成的混合储能装置,分别补偿低频和高频分量。针对混合储能装置提出了荷电状态反馈控制方法,使液流电池在补偿功率波动的同时保证其荷电状态不超出既定的范围。提高了液流电池的寿命。另外还解决了现有的余弦相似度和皮尔逊相关系数不能反映输入变量间相互耦合影响的问题。
为了实现上述实施例,本申请还提出一种电子设备,包括:处理器,以及与处理器通信连接的存储器;存储器存储计算机执行指令;处理器执行存储器存储的计算机执行指令,以实现执行前述实施例所提供的方法。
为了实现上述实施例,本申请还提出一种计算机可读存储介质,计算机可读存储介质中存储有计算机执行指令,计算机执行指令被处理器执行时用于实现前述实施例所提供的方法。
为了实现上述实施例,本申请还提出一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现前述实施例所提供的方法。
在前述各实施例描述中,参考术语“一个实施例”、“一些实施例”、 “示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本申请的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本申请的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行***、装置或设备(如基于计算机的***、包括处理器的***或其他可以从指令执行***、装置或设备取指令并执行指令的***)使用,或结合这些指令执行***、装置或设备而使用。就本说明书而言,"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行***、装置或设备或结合这些指令执行***、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行***执行的软件或固件来实现。如,如果用硬件来实现和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本申请各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本申请的限制,本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种采用液流电池的新型火电储能调频方法,其特征在于,火电厂配置的混合储能装置包括液流电池和超级电容器,调频方法包括以下步骤:
在接收到调频指令后,确定混合储能响应功率;
通过EEMD算法将所述混合储能响应功率划分为高频分量和低频分量;
利用改进的皮尔逊相关系数和改进的余弦相似度,基于待预测采样点前设定时长内所有采样点的多种电池参数和荷电状态、待预测采样点的多种电池参数获得待预测采样点的各种电池参数的目标权重,以得到待预测采样点的目标电池参数,将待预测采样点的目标电池参数输入训练好的预测模型获得待预测采样点的荷电状态预测值,以得到当前时刻之后设定时长的荷电状态预测值集,其中待预测采样点为当前时刻采样点或当前时刻之后设定时长内所有采样点中的任一个;
在当前时刻之后设定时长内,若所述荷电状态预测值集中待预测采样点的荷电状态预测值处于荷电状态设定范围内,则控制所述超级电容器按照所述高频分量进行响应、控制所述液流电池按照所述低频分量进行响应;否则基于所述荷电状态预测值获得超级电容功率补偿值,控制所述超级电容器按照所述超级电容功率补偿值和高频分量进行响应、控制所述液流电池停止运行。
2.根据权利要求1所述的采用液流电池的新型火电储能调频方法,其特征在于,利用待预测采样点的多种电池参数的归一化值优化余弦相似度得到改进的余弦相似度;利用待预测采样点的多种电池参数的归一化值优化皮尔逊相关系数得到改进的皮尔逊相关系数。
3.根据权利要求2所述的采用液流电池的新型火电储能调频方法,其特征在于,所述获得待预测采样点的各种电池参数的目标权重,包括:
基于液流电池的待预测采样点前设定时长内所有采样点的多种电池参数和荷电状态、待预测采样点的多种电池参数的归一化值,采用改进的余弦相似度得到各种电池参数的第一相似度,采样改进的皮尔逊相关系数得到各种电池参数的第二相似度;基于所述各种电池参数的第一相似度和第二相似度获得待预测采样点的各种电池参数的目标权重。
4.根据权利要求3所述的采用液流电池的新型火电储能调频方法,其特征在于,所述预测模型采用BP神经网络。
5.根据权利要求4所述的采用液流电池的新型火电储能调频方法,其特征在于,预测模型训练步骤包括:
基于当前时刻采样点之前设定时长内的多种电池参数和荷电状态,利用所述BP神经网络得到训练误差;
将所述BP神经网络的各神经元的初始权值和初始阈值、神经元的总数量作为座头鲸的位置向量,所述训练误差作为适应度函数,采用改进的鲸鱼算法获得各神经元的最优权值、最优阈值和最优神经元的总数量,基于最优神经元的总数量、最优权值和最优阈值得到训练好的预测模型。
6.根据权利要求5所述的采用液流电池的新型火电储能调频方法,其特征在于,利用最大迭代次数、自然对数函数对鲸鱼算法的收敛因子进行优化,以得到所述改进的鲸鱼算法。
7.根据权利要求1所述的采用液流电池的新型火电储能调频方法,其特征在于,所述基于所述荷电状态预测值获得超级电容功率补偿值,包括:
若所述荷电状态预测值小于荷电状态设定范围的下限或大于荷电状态设定范围的上限,则基于所述荷电状态预测值集中待预测采样点的荷电状态预测值、所述荷电状态设定范围的下限、电池额定容量获得超级电容功率补偿值。
8.一种采用液流电池的新型火电储能调频***,其特征在于,火电厂配置的混合储能装置包括液流电池和超级电容器,调频***包括:
确定模块,用于在接收到调频指令后,确定混合储能响应功率;
划分模块,用于通过EEMD算法将所述混合储能响应功率划分为高频分量和低频分量;
预测模块,用于利用改进的皮尔逊相关系数和改进的余弦相似度,基于待预测采样点前设定时长内所有采样点的多种电池参数和荷电状态、待预测采样点的多种电池参数获得待预测采样点的各种电池参数的目标权重,以得到待预测采样点的目标电池参数,将待预测采样点的目标电池参数输入训练好的预测模型获得待预测采样点的荷电状态预测值,以得到当前时刻之后设定时长的荷电状态预测值集,其中待预测采样点为当前时刻采样点或当前时刻之后设定时长内所有采样点中的任一个;
控制模块,用于在当前时刻之后设定时长内,若所述荷电状态预测值集中待预测采样点的荷电状态预测值处于荷电状态设定范围内,则控制所述超级电容器按照所述高频分量进行响应、控制所述液流电池按照所述低频分量进行响应;否则基于所述荷电状态预测值获得超级电容功率补偿值,控制所述超级电容器按照所述超级电容功率补偿值和高频分量进行响应、控制所述液流电池停止运行。
9.一种电子设备,其特征在于,包括:处理器,以及与所述处理器通信连接的存储器;
所述存储器存储计算机执行指令;
所述处理器执行所述存储器存储的计算机执行指令,以实现如权利要求1-7中任一项所述的方法。
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中存储有计算机执行指令,所述计算机执行指令被处理器执行时用于实现如权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311562868.6A CN117277357B (zh) | 2023-11-22 | 2023-11-22 | 采用液流电池的新型火电储能调频方法、***及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311562868.6A CN117277357B (zh) | 2023-11-22 | 2023-11-22 | 采用液流电池的新型火电储能调频方法、***及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117277357A true CN117277357A (zh) | 2023-12-22 |
CN117277357B CN117277357B (zh) | 2024-01-26 |
Family
ID=89203082
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311562868.6A Active CN117277357B (zh) | 2023-11-22 | 2023-11-22 | 采用液流电池的新型火电储能调频方法、***及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117277357B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117674199A (zh) * | 2024-02-01 | 2024-03-08 | 西安热工研究院有限公司 | 一种超级电容耦合锂电池的新型电力***调频方法和*** |
CN117691630A (zh) * | 2024-02-04 | 2024-03-12 | 西安热工研究院有限公司 | 一种基于vmd-ceemd的新型电力***调频方法和*** |
CN117811023A (zh) * | 2024-02-28 | 2024-04-02 | 西安热工研究院有限公司 | 一种熔盐储能耦合火电机组的调频方法和*** |
CN117996788A (zh) * | 2024-04-03 | 2024-05-07 | 西安热工研究院有限公司 | 一种基于双维预测反馈的熔盐耦合火电机组的调频方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105226689A (zh) * | 2015-10-16 | 2016-01-06 | 中国电力科学研究院 | 考虑运行和维护的多类型储能***能量管理方法和*** |
CN112103980A (zh) * | 2020-09-27 | 2020-12-18 | 中国科学院电工研究所 | 一种联合火电机组agc调频的混合储能***能量管理方法 |
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 |
CN115036920A (zh) * | 2022-07-05 | 2022-09-09 | 东南大学 | 一种混合储能参与调频辅助服务市场的容量投标方法 |
WO2023005581A1 (zh) * | 2021-07-30 | 2023-02-02 | 西安热工研究院有限公司 | 混合储能功率分配方法 |
CN115714435A (zh) * | 2022-11-14 | 2023-02-24 | 天津大学 | 基于虚拟同步发电机的光伏混合储能***功率分配及虚拟惯性控制方法 |
-
2023
- 2023-11-22 CN CN202311562868.6A patent/CN117277357B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105226689A (zh) * | 2015-10-16 | 2016-01-06 | 中国电力科学研究院 | 考虑运行和维护的多类型储能***能量管理方法和*** |
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 |
CN112103980A (zh) * | 2020-09-27 | 2020-12-18 | 中国科学院电工研究所 | 一种联合火电机组agc调频的混合储能***能量管理方法 |
WO2023005581A1 (zh) * | 2021-07-30 | 2023-02-02 | 西安热工研究院有限公司 | 混合储能功率分配方法 |
CN115036920A (zh) * | 2022-07-05 | 2022-09-09 | 东南大学 | 一种混合储能参与调频辅助服务市场的容量投标方法 |
CN115714435A (zh) * | 2022-11-14 | 2023-02-24 | 天津大学 | 基于虚拟同步发电机的光伏混合储能***功率分配及虚拟惯性控制方法 |
Non-Patent Citations (2)
Title |
---|
宫毓斌;滕欢;潘晨;: "基于荷电状态预测反馈的混合储能***控制方法设计", 科学技术与工程, no. 01 * |
牟春华;兀鹏越;孙钢虎;杨沛豪;陈世峰;王峥;常东锋;居文平;于洋;: "火电机组与储能***联合自动发电控制调频技术及应用", 热力发电, no. 05 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117674199A (zh) * | 2024-02-01 | 2024-03-08 | 西安热工研究院有限公司 | 一种超级电容耦合锂电池的新型电力***调频方法和*** |
CN117674199B (zh) * | 2024-02-01 | 2024-04-23 | 西安热工研究院有限公司 | 一种超级电容耦合锂电池的电力***调频方法和*** |
CN117691630A (zh) * | 2024-02-04 | 2024-03-12 | 西安热工研究院有限公司 | 一种基于vmd-ceemd的新型电力***调频方法和*** |
CN117691630B (zh) * | 2024-02-04 | 2024-04-30 | 西安热工研究院有限公司 | 一种基于vmd-ceemd的电力***调频方法和*** |
CN117811023A (zh) * | 2024-02-28 | 2024-04-02 | 西安热工研究院有限公司 | 一种熔盐储能耦合火电机组的调频方法和*** |
CN117996788A (zh) * | 2024-04-03 | 2024-05-07 | 西安热工研究院有限公司 | 一种基于双维预测反馈的熔盐耦合火电机组的调频方法 |
CN117996788B (zh) * | 2024-04-03 | 2024-06-11 | 西安热工研究院有限公司 | 一种基于双维预测反馈的熔盐耦合火电机组的调频方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117277357B (zh) | 2024-01-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117277357B (zh) | 采用液流电池的新型火电储能调频方法、***及电子设备 | |
CN107591844B (zh) | 考虑节点注入功率不确定性的主动配电网鲁棒重构方法 | |
Ripaccioli et al. | A stochastic model predictive control approach for series hybrid electric vehicle power management | |
CN112103980B (zh) | 一种联合火电机组agc调频的混合储能***能量管理方法 | |
CN112507614A (zh) | 一种分布式电源高渗透率地区电网综合优化方法 | |
Anbarasu et al. | Novel enhancement of energy management in fuel cell hybrid electric vehicle by an advanced dynamic model predictive control | |
CN114784823A (zh) | 基于深度确定性策略梯度的微电网频率控制方法及*** | |
CN117154906B (zh) | 一种具有制冷功能的无线充电调控方法 | |
CN105119285B (zh) | 基于动态赋权的风储协调多目标优化控制方法 | |
CN111651878B (zh) | 计及态势评估的大电网静态电压稳定优化决策方法及*** | |
CN111516702B (zh) | 一种混合动力车辆在线实时分层能量管理方法和*** | |
CN115001002B (zh) | 一种求解储能参与削峰填谷的优化调度方法和*** | |
CN115764936A (zh) | 电网储能配置的优化方法、装置、设备及存储介质 | |
CN112101651B (zh) | 电能源网络协调控制方法、***及信息数据处理终端 | |
CN113884936A (zh) | 一种基于issa耦合delm的锂离子电池健康状态预测方法 | |
Kamoona et al. | Load-Sharing Management for Fuel Cell Hybrid Electric Vehicle (FCHEV) Based on Intelligent Controllers and Optimization Algorithms | |
CN117996789B (zh) | 基于双向预测反馈调节的熔盐耦合火电机组的调频方法 | |
Lian et al. | Real‐time energy management strategy for fuel cell plug‐in hybrid electric bus using short‐term power smoothing prediction and distance adaptive state‐of‐charge consumption | |
CN117878973B (zh) | 一种熔盐耦合火电机组的调频方法和*** | |
CN117220318B (zh) | 电网数字化驱动控制方法及*** | |
WO2024057581A1 (ja) | 充電状態計算装置 | |
CN117878975B (zh) | 基于预测聚类的熔盐储能耦合火电机组的调频方法和*** | |
TW201941079A (zh) | 一種基於模型預測控制之電池充電演算法 | |
CN117996787B (zh) | 一种基于双向预测的熔盐耦合火电机组的调频方法 | |
CN115018379B (zh) | 电动汽车日内响应能力评估方法、***及计算机存储介质 |
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 |