蓄热电锅炉与清洁能源的预测匹配和消纳控制方法与流程
本发明所述涉及新能源消纳领域，具体说是采用分布式蓄热电锅炉消纳新能源系统。
背景技术：
我国太阳能资源丰富，除满足光伏电厂发电需求外，还面临着大量弃光问题。新能源消纳有利于电网节能，提高经济效益促进电力企业长远发展。
由于气象环境信息、地理条件、天文等其他因素的不确定性，太阳能光伏发电系统的输出是一个非平稳、即时变化、动态特性的随机变量，具有波动性强、抗干扰能力弱、间歇性以及周期性特点的不可控的分布式能源。因此，主要考虑气象环境信息来预测未来不同时间点的太阳能光伏发电系统的实时弃光发电量，及时调整管理方案、制定最优的电站调度规划和适时调节分布式蓄热电锅炉消纳弃光的运行策略，有利于实现能源的最大化利用率。目前，仅采用遗传算法或者粒子群算法构造预测模型，缺乏对这两种算法的模型预测效果研究、预测误差较大。但是采用神经网络算法并结合数值优化算法进行光伏发电出力短期预测，取得了一定的研究成果。
我国弃光现象特别突出，大规模弃光消纳属于技术难题。目前现有的消纳方式主要有抽水蓄能电站、多能互补等方式。在抽水蓄能电站方面，一次性投入较大，设备较多，复杂，对周围环境产生一定的影响，且其在运行过程中，能源利用效率并不高，导致出现消纳能力不足的问题。在多能互补方面，能源搭配的不合理是消纳效率低的主要原因。
技术实现要素：
发明目的：
针对上述存在的问题，本发明提出一种基于模糊贝叶斯神经网络预测模型的分布式蓄热电锅炉消纳清洁能源系统，是解决现有消纳方式不灵活、消纳效率低、消纳能力不足的问题。
技术方案：
本发明提出的技术方案包括以下步骤：
步骤1，采集气象因素数据及光伏电站弃光电量数据，经过归一化处理得到训练样本集，即d＝[(x1,y1),(x2,y2),(x3,y3),...,(xn,yn)]，其中，xi(i＝1,2,3,...,n)表示气象因素数据，yi(i＝1,2,3,...,n)表示与xi相对应的光伏电站弃光电量历史数据；
步骤2，设计含有输入层、隐含层、输出层的模糊贝叶斯神经网络模型，并选择激励函数、训练函数以及学习函数，使用模糊推理的贝叶斯理论对神经网络权值向量进行训练，得到最佳网络预测模型；
步骤3，将得到的最佳网络预测模型应用在分布式光伏发电系统中，用以获取在不同气象因素条件下的光伏电站弃光电量；
步骤4，在预测出光伏电站弃光电量条件下，考虑经济性能指标，通过plc控制器采集n个蓄热电锅炉的温度数据、运行功率peh、消纳弃光电量qm(peh)和电能数据,电网调度中心以光伏电站与蓄热电锅炉联合运行效益最大和环境效益最大为目标，控制n个蓄热电锅炉极限消纳弃光电量；
所述的基于模糊贝叶斯神经网络预测模型的分布式蓄热电锅炉消纳清洁能源控制方法及装置，所述步骤1包括：
步骤1-1，预测光伏电站弃光电量包含两类参数：气象因素和光伏电站弃光电量数据；为提高在不同气象因素条件下预测光伏电站弃光电量的精度，提取含晴天、阴天、多云和雨(雪)天一年365组气象因素和光伏电站弃光电量数据；样本数据分为训练样本数据和检验样本数据，由样本输入和期望输出组成的样本对；
步骤1-2，为了避免神经网络误差过大及防止局部神经元达到过饱和状态，对样本数据进行归一化处理，使得样本数据均在0到1之间，网络输出向量采用反归一化处理，即得到原输出值；样本数据的归一化公式为：
所述的基于模糊贝叶斯神经网络预测模型的分布式蓄热电锅炉消纳清洁能源控制方法及装置，所述步骤2包括：
步骤2-1，用于预测光伏电站弃光电量的神经网络模型由输入层、隐含层、输出层构成；输入层由平均温度、平均太阳辐射强度、风速以及日平均湿度1组数据组成，共15个神经元节点，其中，平均温度为前一日光伏电站工作时间(8:00～19:00)整点时刻的平均温度值，即t1,t2,…，t12；隐含层由经验公式确定；输出层为光伏电站整点时刻实时弃光电量pl,p2,…，p12；隐含层由经验公式确定，经验公式为
步骤2-2，建立所述模糊贝叶斯神经网络预测模型，确定模型的激励函数、训练函数、学习函数及神经网络性能指标；激励函数选择sigmod函数，即
预训练过程：通过预训练函数trainlm，设定训练目标、训练步数，训练误差精度，根据结果选择最佳的隐含层神经元数量；
创建一个前向神经网络：net＝newff(pr,[s1,s2...sn1],{tf1,tf2...tfn1},btf,blf,pf),其中，向量元素从1到n1；net为创建新的神经网络；pr为网络输入元素最大值、最小值组成的矩阵；[s1,s2...sn1]表示网络隐含层和输出层神经元数量；{tf1,tf2...tfn1}表示隐含层和输出层激励函数，为sigmod函数；btf为网络的训练函数，为trainlm函数；blf为网络的权值学习函数，为贝叶斯函数；pf为性能函数，默认为“mse”函数；
步骤2-3创建神经网络权值集：影响神经网络运算精确性和泛化能力的权值集合用ω表示，即ω＝{ω1，ω2，ω3，...，ωn},其中,ωi(i＝1,2,3...n)表示权值分量；
创建权值评判集：采用改进专家评分法对神经网络权值模糊化，专家首先无交流进行评分，对评分结果进行由大到小排序，首尾专家进行协商再次评分，重新排序，依次类推，直到评分完为止。评判集用v表示，即v＝{v1,v2,v3,...,vn}，其中，vi(i＝1,2,3...n)表示权值分量的重要程度；
进行专家评分：采用专家评分法对神经网络权值模糊化；
解模糊化：采用加权平均法进行解模糊，获得神经网络权值的先验概率，公式为：
式中，p(ωi)表示神经网络权值的先验概率，bj表示评判者人数，vi表示评判者做出可能的评判结果；
步骤2-4确定似然函数：假设目标值t1,t2,t3,...,tn是在高斯白噪声下产生的，似然函数为：
式中，zd(γ)为归一化因子，γ为超参数；
确定权值的后验概率公式：
式中，i＝(1,2,3,...,n)，j＝(1,2,3,...,n)，
步骤2-5随机选取训练样本集d对模糊贝叶斯神经网络预测模型进行学习训练，用模糊知识及贝叶斯函数确定输入层-隐含层-输出层各权值，通过训练样本数据判断输出层的实际输出与期望输出是否满足神经网络性能指标要求；若未满足要求，则适当改变隐含层神经元数量，重新由模糊知识以及贝叶斯函数确定输入层-隐含层-输出层各权值，再次通过训练样本数据判断输出层的实际输出与期望输出是否满足神经网络性能指标要求；若满足要求，则训练结束，否则继续进行训练，直到满足神经网络性能指标要求为止；
所述的基于模糊贝叶斯神经网络预测模型的分布式蓄热电锅炉消纳清洁能源控制方法及装置，所述步骤3包括：
步骤3-1，利用收集的气象因素数据，按照步骤1进行归一化处理得到数据集，将数据集输入到网络预测模型对该分布式光伏发电系统在不同气象因素条件下预测光伏电站弃光电量；
所述的基于模糊贝叶斯神经网络预测模型的分布式蓄热电锅炉消纳清洁能源控制方法及装置，所述步骤4包括：
步骤4-1，分布式蓄热电锅炉消纳弃光电量系统装置
光伏电站一端与电网连接，另一端与电网调度中心和n个低压断路器连接，电网调度中心与10寸触摸显示屏和plc以太网端口连接，10寸触摸显示屏另一端与plc以太网端口连接，220vac交流电与plc电源模块连接，plc电源模块与cpusr60连接，cpusr60的n组输出与n个中间继电器连接，n个中间继电器另一端与n个交流接触器连接，n个交流接触器另一端与n个低压断路器和n个熔断器连接，n个熔断器与n个蓄热电锅炉连接，n个脉冲式触发开关和n个蓄热电锅炉连接，另一端与电网调度中心连接；n个蓄热电锅炉与检测蓄热电锅炉运行功率peh模块和检测蓄热电锅炉消纳弃光电量pm(peh)模块连接，检测蓄热电锅炉运行功率peh模块和检测蓄热电锅炉消纳弃光电量pm(peh)模块与plc以太网端口连接；m个k型热电偶温度传感器与温度巡检仪连接，温度巡检仪与plc的rs485通信端口连接；n个蓄热电锅炉另一端与多功能电能表连接；多功能电能表与plc的rs485端口连接；
步骤4-2，电网调度中心采集光伏电站弃光电量xxx.xxx(x∈[0,9])(不指具体数据)，通过plc控制器采集n个蓄热电锅炉温度数据、电能数据、运行功率、消纳弃光电量信息，并向plc控制器下发调度及控制指令，促进滑动变化式蓄热电锅炉极限消纳弃光电量。当蓄热电锅炉运行故障时，电网调度中心向脉冲式触发开关发送信号，至该蓄热电锅炉退出运行。当蓄热电锅炉维修后可运行时，电网调度中心向脉冲式触发开关发送信号至该蓄热电锅炉启动运行。
步骤4-3，分布式蓄热电锅炉消纳弃光电量系统控制方法
以光伏电站与蓄热电锅炉联合运行效益最大和环境效益最大为目标，采用线性加权和法，建立分布式蓄热电锅炉消纳清洁能源控制方法的数学模型：
式中，m1表示政府对光伏电站补贴，元/kw·h,m2表示政府对节能减排补贴，元/kw·h，pw、pm表示t1、t2时段并网电价和弃光协商电价，qw表示t1时段光伏电站发电量，qm表示t2时段弃光电量，c0表示光伏电站的发电成本，元/kw·h，qf表示光伏电站t1+t2时间段总发电量，ls表示输配电成本，元/kw·h，c、d为常数，与预测弃光电量有关，peh表示蓄热电锅炉的运行功率，qm(peh)表示蓄热电锅炉消纳弃光电量，βchp表示弃光电量t2时间段发电机组燃料利用效率，α1、α2为线性加权和法系数；
步骤4-4，系统约束条件
由于太阳能具有随机性和波动性，弃光电量约束为
步骤4-5，基于改进遗传算法和非线性规划的函数寻优算法
应用改进遗传算法和非线性规划对分布式蓄热电锅炉消纳清洁能源控制方法的数学模型参数进行优化设计，步骤如下：
a、种群初始化首先要建立种群群体，即优化变量的设计解的集合。而群体的组成个体是一定数目的二进制串，所以设计变量与个体间的映射需通过编码来实现，本文中采取浮点编码的方法，即由问题解空间的一组向量x表示一个染色体编码，故分布式蓄热电锅炉消纳清洁能源控制方法优化问题可表示为x＝(x1,x2,...,xn)；群体的性质变化决定遗传算法的搜索能力，而其收敛性决定算法的收敛性，为保证算法的精度和速度，通常群体规模取20-100之间。同时为了保证初始群体具有普遍性，采用一致随机方式选取初始群体。
b、适应度值计算在遗传算法和非线性规划中，采用适应度函数来区分群体中个体好坏的标准，适应值越大表明个体越优，即得到光伏电站与蓄热电锅炉联合运行效益最大和环境效益最大的目标，优化问题是最大值优化问题，必须对目标函数进行适当的转化才能与适应度建立关系，适应度的计算函数为f[f(x)]＝f(x)；
c、选择操作从亲代设计变量的解集合中，亲代以一定权重系数分成父代和母代，父代和母代均按照轮盘赌选择方法，计算出父代每个个体的适应度概率值：
式中f为父代个体适应度值，n为父代种群规模；母代每个个体的适应度概率值：
式中k为母代个体适应度值，m为母代种群规模。设置两个函数，适应度概率值合成函数
d、交叉操作指从种群中随机选择两个个体，采用实数交叉法交换组合，将父串的优秀特征遗传给子串，产生新的优秀个体。具体交叉操作方法，例如第k个染色体ak、和第l个染色体al在j位交叉操作方法为
e、变异操作从种群中随机选取某个个体，对其进行变异以产生更优秀的个体。第i个个体的第j个基因aij，进行变异的操作方法为
f、非线性寻优当遗传算法每次进化到10代后，以所得到的结果为初始值，搜索约束条件下的非线性元函数的最大值。由于分布式蓄热电锅炉消纳清洁能源控制系统参数优化是一个多变量有约束的非线性优化问题，故采取惩罚函数法来进行非线性寻优，具体步骤为：
(a)给定一串数列，{rn}，rn——→0，初始点x0，精度ε＞0，令k＝1。
(b)构造罚函数
(c)若xk达到精度要求，终止算法，输出最优解；否则，令k＝k+1，从b步继续。
g、判断运算遗传算法是一种向最优解逐渐逼近的、反复进化的搜索方法，故需要判断新一代群体是否满足结束条件，判断标准为是否完成所需的进化次数，如不满足，从b步骤继续进行计算。
优点效果：
综上所述，采用本发明技术方案的有益效果是：通过参考预测出的光伏弃光电量，满足光伏电站与蓄热电锅炉联合运行效益最大和环境效益最大的指标，促进分布式蓄热电锅炉极限消纳弃光电量，解决现有消纳方式不灵活、消纳效率低、消纳能力不足的问题。
附图说明
图1整体流程图；
图2模糊贝叶斯神经网络预测模型图；
图3改进遗传算法和非线性规划寻优流程图；
图4结合plc的分布式蓄热电锅炉消纳清洁能源装置图；
具体实施方式
下面结合附图对本发明具体实施方式加以详细的说明。
基于模糊贝叶斯神经网络预测模型的分布式蓄热电锅炉消纳清洁能源控制方法及装置，如图1所示
步骤一，收集样本数据
预测光伏电站弃光电量包含两类参数：气象因素和光伏电站弃光电量数据；为提高在不同气象因素条件下预测光伏电站弃光电量的精度，气象因素、光伏电站弃光电量包含晴天、阴天、多云和雨(雪)天一年365组数据；样本数据分为训练样本数据和检验样本数据，由样本输入和期望输出组成的样本对；
为了避免神经网络误差过大及防止局部神经元达到过饱和状态，对样本数据进行归一化处理，使得样本数据均在0到1之间，网络输出向量采用反归一化处理，即得到原输出值；样本数据的归一化公式为：
式中，ψ为归一化后样本数据，φ为原始样本数据与原始样本数据最小值的比值，
步骤二，建立模糊贝叶斯神经网络模型，如图2所示
用于预测光伏电站弃光电量的神经网络模型由输入层、隐含层、输出层构成；输入层由平均温度、平均太阳辐射强度、风速以及日平均湿度1组数据组成，共15个神经元节点，其中，平均温度为前一日光伏电站工作时间(8:00～19:00)整点时刻的平均温度值，即t1,t2,…，t12；隐含层由经验公式确定；输出层为光伏电站整点时刻实时弃光电量pl,p2,…，p12；隐含层由经验公式确定，经验公式为
建立所述模糊贝叶斯神经网络预测模型，确定模型的激励函数、训练函数、学习函数及神经网络性能指标；激励函数选择sigmod函数，即
预训练过程：通过预训练函数trainlm，设定训练目标、训练步数，训练误差精度，根据结果选择最佳的隐含层神经元数量；
创建一个前向神经网络：net＝newff(pr,[s1,s2...sn1],{tf1,tf2...tfn1},btf,blf,pf),其中，向量元素从1到n1；net为创建新的神经网络；pr为网络输入元素最大值、最小值组成的矩阵；[s1,s2...sn1]表示网络隐含层和输出层神经元数量；{tf1,tf2...tfn1}表示隐含层和输出层激励函数，为sigmod函数；btf为网络的训练函数，为trainlm函数；blf为网络的权值学习函数，为贝叶斯函数；pf为性能函数，默认为“mse”函数；
创建神经网络权值集：影响神经网络运算精确性和泛化能力的权值集合用ω表示，即ω＝{ω1，ω2，ω3，...，ωn},其中,ωi(i＝1,2,3...n)表示权值分量；
创建权值评判集：采用改进专家评分法对神经网络权值模糊化，专家首先无交流进行评分，对评分结果进行由大到小排序，首尾专家进行协商再次评分，重新排序，依次类推，直到评分完为止。评判集用v表示，即v＝{v1,v2,v3,...,vn}，其中，vi(i＝1,2,3...n)表示权值分量的重要程度；
进行专家评分：采用专家评分法对神经网络权值模糊化；
解模糊化：采用加权平均法进行解模糊，获得神经网络权值的先验概率，公式为：
式中，p(ωi)表示神经网络权值的先验概率，bj表示评判者人数，vi表示评判者做出可能的评判结果；
确定似然函数：假设目标值t1,t2,t3,...,tn是在高斯白噪声下产生的，似然函数为：
其中，zd(γ)为归一化因子，γ为超参数；
确定权值的后验概率公式：
式中，i＝(1,2,3,...,n)，j＝(1,2,3,...,n)，
随机选取训练样本集d对模糊贝叶斯神经网络预测模型进行学习训练，用模糊知识及贝叶斯函数确定输入层-隐含层-输出层各权值，通过训练样本数据判断输出层的实际输出与期望输出是否满足神经网络性能指标要求；若未满足要求，则适当改变隐含层神经元数量，重新由模糊知识以及贝叶斯函数确定输入层-隐含层-输出层各权值，再次通过训练样本数据判断输出层的实际输出与期望输出是否满足神经网络性能指标要求；若满足要求，则训练结束，否则继续进行训练，直到满足神经网络性能指标要求为止；
步骤三，预测弃光电量
本实施案例中，对某5kw分布式光伏电站提取含晴天、阴天、多云和雨(雪)天一年365组气象因素和光伏电站弃光电量历史数据，取其中300组作为训练样本数据，其中65组作为检验样本数据。为了避免神经网络误差过大及防止局部神经元达到过饱和状态，对样本数据进行归一化处理，使得样本数据均在0到1之间，网络输出向量采用反归一化处理，即得到原输出值；输入层由平均温度、平均太阳辐射强度、风速以及日平均湿度1组数据组成，共15个神经元节点，其中，平均温度为前一日光伏电站工作时间(8:00～19:00)整点时刻的平均温度值，即t1,t2,…，t12；隐含层由经验公式确定；输出层为光伏电站整点时刻实时弃光电量pl,p2,…，p12；经过预设训练后的精度分析，确定隐含层神经元数量为14，最终确定的神经网络最优结构15×14×12，采用模糊知识以及贝叶斯函数确定权值ωi(i＝1,2,3,...,n)，预测弃光电量。
步骤四，蓄热电锅炉消纳弃光电量系统装置及控制方法
步骤4-1，分布式蓄热电锅炉消纳弃光电量系统装置，如图3所示
光伏电站一端与电网连接，另一端与电网调度中心和低压断路器连接，电网调度中心与10寸触摸显示屏和plc以太网端口连接，10寸触摸显示屏另一端与plc以太网端口连接，220vac交流电与plc电源模块连接，plc电源模块与cpusr60连接，cpusr60的n组输出与n个中间继电器连接，n个中间继电器另一端与n个交流接触器连接，n个交流接触器另一端与n个低压断路器和n个熔断器连接，n个熔断器与n个蓄热电锅炉连接，n个脉冲式触发开关与n个蓄热电锅炉连接，另一端与电网调度中心连接；n个蓄热电锅炉与检测蓄热电锅炉运行功率peh模块和检测蓄热电锅炉消纳弃光电量pm(peh)模块连接，检测蓄热电锅炉运行功率peh模块和检测蓄热电锅炉消纳弃光电量pm(peh)模块与plc以太网端口连接；m个k型热电偶温度传感器与温度巡检仪连接，温度巡检仪与plc的rs485通信端口连接；n个蓄热电锅炉另一端与多功能电能表连接；多功能电能表与plc的rs485端口连接；
步骤4-2，电网调度中心采集光伏电站弃光电量xxx.xxx(x∈[0,9])(不指具体数据)，通过plc控制器采集n个蓄热电锅炉温度数据、电能数据、运行功率、消纳弃光电量信息，并向plc控制器下发调度及控制指令，促进滑动变化式蓄热电锅炉极限消纳弃光电量。当蓄热电锅炉运行故障时，电网调度中心向脉冲式触发开关发送信号，至该蓄热电锅炉退出运行。当蓄热电锅炉维修后可运行时，电网调度中心向脉冲式触发开关发送信号至该蓄热电锅炉启动运行。
步骤4-3，分布式蓄热电锅炉消纳弃光电量系统控制方法
以光伏电站与蓄热电锅炉联合运行效益最大和环境效益最大为目标，采用线性加权和法，建立分布式蓄热电锅炉消纳清洁能源控制方法的数学模型：
式中，m1表示政府对光伏电站补贴，元/kw·h,m2表示政府对节能减排补贴，元/kw·h，pw、pm表示t1、t2时段并网电价和弃光协商电价，qw表示t1时段光伏电站发电量，qm表示t2时段弃光电量，c0表示光伏电站的发电成本，元/kw·h，qf表示光伏电站t1+t2时间段总发电量，ls表示输配电成本，元/kw·h，c、d为常数，与预测弃光电量有关，peh表示蓄热电锅炉的运行功率，qm(peh)表示蓄热电锅炉消纳弃光电量，βchp表示弃光电量t2时间段发电机组燃料利用效率，α1、α2为线性加权和法系数；
步骤4-4，系统约束条件
由于太阳能具有随机性和波动性，弃光电量约束为
步骤4-5，基于改进遗传算法和非线性规划的函数寻优算法，如图4所示
应用改进遗传算法和非线性规划对分布式蓄热电锅炉消纳清洁能源控制方法的数学模型参数进行优化设计，步骤如下：
a、种群初始化首先要建立种群群体，即优化变量的设计解的集合。而群体的组成个体是一定数目的二进制串，所以设计变量与个体间的映射需通过编码来实现，本文中采取浮点编码的方法，即由问题解空间的一组向量x表示一个染色体编码，故分布式蓄热电锅炉消纳清洁能源控制方法优化问题可表示为x＝(x1,x2,...,xn)；群体的性质变化决定遗传算法的搜索能力，而其收敛性决定算法的收敛性，为保证算法的精度和速度，通常群体规模取20-100之间。同时为了保证初始群体具有普遍性，采用一致随机方式选取初始群体。
b、适应度值计算在遗传算法和非线性规划中，采用适应度函数来区分群体中个体好坏的标准，适应值越大表明个体越优，即得到光伏电站与蓄热电锅炉联合运行效益最大和环境效益最大的目标，优化问题是最大值优化问题，必须对目标函数进行适当的转化才能与适应度建立关系，适应度的计算函数为f[f(x)]＝f(x)；
c、选择操作从亲代设计变量的解集合中，亲代以一定权重系数分成父代和母代，父代和母代均按照轮盘赌选择方法，计算出父代每个个体的适应度概率值：
式中f为父代个体适应度值，n为父代种群规模；母代每个个体的适应度概率值：
式中k为母代个体适应度值，m为母代种群规模。设置两个函数，适应度概率值合成函数
d、交叉操作指从种群中随机选择两个个体，采用实数交叉法交换组合，将父串的优秀特征遗传给子串，产生新的优秀个体。具体交叉操作方法，例如第k个染色体ak、和第l个染色体al在j位交叉操作方法为
e、变异操作从种群中随机选取某个个体，对其进行变异以产生更优秀的个体。第i个个体的第j个基因aij，进行变异的操作方法为
f、非线性寻优当遗传算法每次进化到10代后，以所得到的结果为初始值，搜索约束条件下的非线性元函数的最大值。由于分布式蓄热电锅炉消纳清洁能源控制系统参数优化是一个多变量有约束的非线性优化问题，故采取惩罚函数法来进行非线性寻优，具体步骤为：
(a)给定一串数列，{rn}，rn——→0，初始点x0，精度ε＞0，令k＝1。
(b)构造罚函数
(c)若xk达到精度要求，终止算法，输出最优解；否则，令k＝k+1，从b步继续。
g、判断运算遗传算法是一种向最优解逐渐逼近的、反复进化的搜索方法，故需要判断新一代群体是否满足结束条件，判断标准为是否完成所需的进化次数，如不满足，从b步骤继续进行计算。
- 还没有人留言评论。精彩留言会获得点赞！