一种基于风电反调峰特性的储能实时优化方法

1.本发明涉及一种储能实时优化方法，特别涉及一种基于风电反调峰特性的储能实时优化方法。


背景技术：

2.中国能源结构中新能源发电占比越来越高，无论是从电网的成本和效益角度考虑还是从环境保护等社会效益出发，都有助于中国经济与社会的快速发展。但是新能源技术的随机波动性和难以预测性对电力系统的影响也是不可忽视的。新能源发电会以负的负荷形式与其余负荷进行算术叠加，结果会对电力系统净负荷峰谷差产生影响。在电网负荷中对外显示为负，则称为反调峰特性，这种反调峰特性会使存在风电并网的系统调峰压力愈加严重，且系统的调峰容量需求更大。
3.在负荷预测技术发展早期，负荷预测方法主要为传统预测法，一般包括自回归滑动平均法、回归分析法、卡尔曼滤波法和指数平滑法等。这些方法都是通过分析输入和输出之间的线性关系来建立预测模型并进行预测，在负荷保持稳定的前提下，这些方法能快速有效的得到预测结果。但是负荷的变化受各种因素的影响，传统预测方法无法有效分析日类型、用户类型等外界因素对预测结果的影响，当这些因素出现较大变化时，负荷也将随之变化，传统预测方法将无法有效的进行预测。近年来，人工智能算法被大量应用于负荷预测领域，主要包括模糊逻辑法，专家系统法，人工神经网络等，以上方法相较于传统的预测方法有了很大的提升、但难以兼顾到负荷数据与的其他外部因素的相关性。
4.传统调峰手段包括火电和燃油燃气机组，不仅对电网负荷预测精准性要求高，还需要发电机组具备足够的调峰备用容量。目前，储能系统优化方法中除了按照经济性指标对全年机组组合运行模拟来确定储能系统运行方案外，还是以恒功率法为主，但由于风力发电在不同时期，其反调峰特性对负荷峰谷持续时间的影响差别很大，采用恒功率法并不能保证调峰效果最优。近年来，有通过建立考虑电池储能系统实际约束的模型，可以对电池储能系统参与调峰的充放电时间段和充放电功率进行实时规划；有以储能系统充放电电量平衡为准则的配电网调峰可变功率控制策略，能有效缩减配电网峰谷差值。


技术实现要素：

5.1.所要解决的技术问题：
6.传统调峰手段以恒功率法为主，但由于风力发电在不同时期，其反调峰特性对负荷峰谷持续时间的影响差别很大，采用恒功率法并不能保证调峰效果最优。
7.2.技术方案：
8.为了解决以上问题，本发明提供了一种基于风电反调峰特性的储能实时优化方法，包括以下步骤：步骤s01：负荷预测；步骤s02：计算负荷基准功率pav、最低移峰功率初值p'1以及最高填谷功率初值p'2；步骤s03：以负荷基准功率p
av
为初值，δp为迭代步长，计算出储能系统总的充电能量ed和放电能量ec，满足储能系统总的充电能量ed≤储能系统总的
放电能量ec＜储能系统额定容量c，且储能系统总的充电能量ed和储能系统总的放电能量ec差值无限接近于0，若满足进入下一步，若不满足返回到上一步；步骤s04：计算出储能系统最低移峰功率限值p1和最高填谷功率限值p2；步骤s05：实际负荷在最低移峰功率限值p1和最高填谷功率限值p2内，进入下一步，否则储能系统不动作；步骤s06，当含新能源发电的系统实际负荷大于p1的时候，储能系统放电，当实际负荷小于p2的时候，储能系统充电，然后计算每段充电功率，完成风电反调峰特性的储能实时优化。
9.负荷基准功率：
10.p
l，t
为系统在t时段负荷功率，t为储能充放电周期，i为火电机组数。
11.最低移峰功率初值p'1以及最高填谷功率初值p'2；通过以下公式获得：
12.式中:p
max
为负荷峰值；p
min
为负荷谷值；p
bess
为储能系统额定功率。
13.最低移峰功率限值p1和最高填谷功率限值p2通过以下公式获得：
14.δp为迭代步长，k为迭代常数。
15.储能系统总的充电能量ed和放电能量ec通过以下公式获得：
16.p
dl，t
和p
cl，t
分别为储能系统需要放电和充电时段内的系统负荷，p
max
为负荷峰值；p
min
为负荷谷值，δt为功率采样的时间间隔，t为时间段。
17.3.有益效果：
18.本发明提供的基于风电反调峰特性的储能实时优化方法，可以对电池储能系统参与调峰的充放电时间段和充放电功率进行实时规划；有以储能系统充放电电量平衡为准则的配电网调峰可变功率控制策略，能有效缩减配电网峰谷差值。
附图说明
19.图1为本发明的流程图。
具体实施方式
20.下面结合附图来对本发明进行详细说明。
21.本发明采用的负荷预测采用kmeans聚类分析数据处理方法对负荷数据进行预处理，提高数据质量，然后使用核主成分分析法对负荷特征数据进行降维处理去除特征间的相关性，最后，采用随机森林算法进行预测，得到负荷预测值。
22.具体步骤为：第一步：对初始样本集数据使用kmeans算法进行预处理，将数据聚类成不同的类别，提取聚类中心数据作为样本数据来去除冗余样本；第二步：采用核主成分分析法对样本数据进行降维处理，去除特征之间的非线性及相关性，确定随机森林算法参数；第三步：利用bootstrap方法提取有n个观测值的数据集，构建决策树；第四步：判断决策树棵树是否满足给定值，满足则进入第五步，不满足则返回第三步；第五步：在每棵决策树的每个节点随机选取m
try
变量，然后在m
try
变量中选择分类能力最好的变量，得到最佳的分割点，m
try
是一个预定义的数字；第六步：每棵决策树生长到最大程度后，决策树树的结果取算数平均值得终负荷预测结果。
23.如图1所示，一种基于风电反调峰特性的储能实时优化方法，包括以下步骤：步骤s01：负荷预测；步骤s02：计算负荷基准功率pav、最低移峰功率初值p'1以及最高填谷功率初值p'2；负荷基准功率通过以下公式获得：p
l，t
为系统在t时段负荷功率，t为储能充放电周期，i为火电机组数。
24.最低移峰功率初值p'1以及最高填谷功率初值p'2；通过以下公式获得：
25.式中:p
max
为负荷峰值；p
min
为负荷谷值；p
bess
为储能系统额定功率。
26.步骤s03：以负荷基准功率p
av
为初值，δp为迭代步长，计算出储能系统总的充电能量ed和放电能量ec，满足储能系统总的充电能量ed≤储能系统总的放电能量ec＜储能系统额定容量c，且储能系统总的充电能量ed和储能系统总的放电能量ec差值无限接近于0，因为要保持储能系统充放电平衡。若满足进入下一步，若不满足返回到上一步；
27.储能系统总的充电能量ed和放电能量ec通过以下公式获得：
28.p
dl，t
和p
cl，t
分别为储能系统需要放电和充电时段内的系统负荷，p
max
为负荷峰值；p
min
为负荷谷值，δt为功率采样的时间间隔，t为时间段。
29.步骤s04：计算出储能系统最低移峰功率限值p1和最高填谷功率限值p2；最低移峰功率限值p1和最高填谷功率限值p2通过以下公式获得：δp为迭代步长，k为迭代常数。
30.当之前给出的约束条件有任何不满足要求时，返回初值p
av
，依次以kδp为步长迭代，直至满足所有约束要求，此时可以得到新的储能系统最低移峰功率限值p1和最高填谷功率限值p2。其中，t1—t2为储能系统充电时段，t3—t4为储能系统放电时段。当含新能源发电的系统实际负荷大于p1的时候，储能系统放电，放电功率为此时负荷与前式中提到的最低移峰功率限值p1的差δ
pbess1
；当实际负荷小于p2的时候，储能系统充电，充电功率为前
式中提到的最高填谷功率限值p2和此时负荷的差值δp
bess4
，功率差为δp
bess2
，δpb
ess3
储能系统既不充电也不放电。
31.步骤s05：实际负荷在最低移峰功率限值p1和最高填谷功率限值p2内，进入下一步，否则储能系统不动作；步骤s06，当含新能源发电的系统实际负荷大于p1的时候，储能系统放电，当实际负荷小于p2的时候，储能系统充电，然后计算每段充电功率，完成风电反调峰特性的储能实时优化。
32.本发明解决了两个问题：(1)使用改进的随机森林法进行负荷预测，提高预测精度(2)充分考虑风电反调峰特性，缓解系统调峰压力。