基于风光荷两级预测的综合能源供电系统优化调度方法

1.本发明涉及综合能源供电系统优化调度领域，具体为一种基于风光荷两级预测的综合能源供电系统优化调度方法。


背景技术：

2.随着全球二氧化碳排放量的增加，温室效应日益加剧，全球气候发生变化，极端气象灾害频发，给世界造成严重的人员伤亡和经济损失。因此，推进绿色能源在工业领域应用，提高太阳能、风能、氢能等可再生能源在工业园区的应用比例，推进工业用能设备电气化，已经成为当今社会发展的主要目标之一。
3.在工业供电系统中，光伏、风电等可再生能源发电方式凭借绿色低碳的优势得到越来越广泛的应用。截至2020年12月底，我国并网风电、光伏累计装机分别达到2.81亿kw、2.53亿kw，同比增长33.1％和23.9％。2020年全国风电、光伏累计发电量7270亿千瓦时，同比增长15.1％，占总发电量的9.5％，新能源绿色电能的替代作用不断增强。然而由于光伏、风电发电量的不确定性，需求侧不能及时消纳多余的电能，导致弃风弃光现象严重，造成了较大的资源浪费。
4.因此，为了解决光伏和风电的弃风弃光问题，提高能源利用率，可以通过引入氢储能系统对光伏和风电发出的电能进行存储。氢储能系统可利用新能源出力富余的电能进行制氢，储存起来或供下游产业使用；当电力系统负荷高峰时，储存起来的氢能可利用燃料电池为用电端供电，实现不间断供电。相比其他储能方式，氢储能具备高效率、环保无污染、可实现长期存储、能量密度高的优势，可以进一步降低储能过程的碳排放。
5.在风光荷综合能源系统中，由于风光出力和用电负荷的不确定性，造成系统容量配置过于理想化，设备利用率低。有研究表明：采用区间预测对光伏出力和负荷的不确定性进行描述，基于区间线性规划方法对综合能源系统进行日前优化调度，由于预测周期较长，预测区间不够精确，没有考虑日内光伏与负荷波动对能源调度的影响。
6.还有建立基于风光典型场景集的综合能源系统两层级协同优化配置模型，能够准确预测风光出力值，但是未对用电负荷进行预测，忽略了负荷需求响应对新能源消纳的作用。
7.综上，现有的综合能源系统优化调度方法存在风光出力预测精度低、风光与负荷协同调度能力弱的问题。高风光荷预测精度有助于合理配置储能设备容量、减少电网调度过程的资源浪费；风光荷多能源协同调度能够增强能源调度在时间上的灵活性，充分发挥柔性负荷对新能源的消纳能力，提高能源利用率。因此，研究风光荷高精度预测以及多能源协同调度策略对综合能源供电系统的高效运行具有重要意义。


技术实现要素：

8.针对现有技术中存在的问题，本发明提供一种基于风光荷两级预测的综合能源供电系统优化调度方法。
9.本发明是通过以下技术方案来实现：
10.一种基于风光荷两级预测的综合能源供电系统优化调度方法，包括以下步骤：
11.s1，根据前一日的风力出力预测区间和用电负荷预测区间获取当日电网配置和氢储能系统可调度容量；根据超短期预测模型获取当日任意时刻风光出力精确值p
*w&l
和用电负荷精确值p
*load
；
12.s2，将当日的电网配置和氢储能系统可调度容量与间隔预设时间内的预测风光出力精确值p
*w&l
和用电负荷精确值p
*load
结合，进行综合能源系统供电模式的切换。
13.优选的，在s1中，所述前一日的风力出力预测区间和用电负荷预测区间均通过粒子群算法与极限学习机建立的区间预测模型获得。
14.优选的，所述前一日的风力出力预测区间和用电负荷预测区间的获取步骤为：首先利用极限学习及建立区间预测模型，随后对区间预测模型进行训练，随后利用粒子群算法对区间预测模型进行迭代寻优，最后将前一日的风光出力数据和用电负荷数据带入寻优后的区间预测模型，获得前一日的风力出力预测区间和用电负荷预测区间，其中风光出力预测区间记为p
w&l
∈[p
w&l_min
,p
w&l_max
]，p
w&l_min
为最小风光出力预测值，p
w&l_max
为最大风光出力预测值，用电负荷预测区间记为p
load
∈[p
load_min
,p
load_max
]，p
load_min
为最小用电负荷预测值，p
load_max
为最大用电负荷预测值。
[0015]
优选的，在s1中，所述当日的电网配置包括电网调度计划、燃料电池配置和电解水制氢功率。
[0016]
优选的，所述电网配置的规则如下：
[0017][0018]
其中，氢储能系统的输入功率即电解水制氢功率p
h2
；氢储能系统输出功率即燃料电池放电功率为p
battery
，燃料池放电功率上限为p
battery_max
；电网输出功率为p
grid
。
[0019]
优选的，所述风光出力精确值p
*w&l
和用电负荷精确值p
*load
的获取步骤为：首先建立超短期预测模型，再利用前一日的风光出力数据和用电负荷数据对超短期预测模型进行训练，获得优化的超短期预测模型；最后将前一时刻的风光出力数据和用电负荷数据带入优化的超短期预测模型，获得当前时刻的超短期风光出力精确值p
*w&l
和用电负荷精确值p
*load
。
[0020]
优选的，所述超短期预测模型的预测间隔时间为15min。
[0021]
优选的，在s2中，所述超短期预测模型是通过最小二乘支持向量机采用二次规划方法获得。
[0022]
优选的，所述综合能源系统供电模式包括风光自发自用模式、风光余电制氢模式、风光氢-离网模式和风光氢-并网模式。
[0023]
优选的，所述综合能源系统供电模式的切换规则如下：
[0024]
当p
*w&l
＝p
*load
时，综合能源系统进入风光自发自用模式；
[0025]
当p
*load
《p
*w&l
≤p
*load
+p
h2
，综合能源系统进入风光余电制氢模式；
[0026]
当p
*w&l
《p
*load
≤p
*w&l
+p
battery
，综合能源系统进入风光氢-离网模式；
[0027]
当p
*w&l
+p
battery
《p
*load
≤p
*w&l
+p
battery
+p
grid
，综合能源系统进入风光氢-并网模式。
[0028]
与现有技术相比，本发明具有以下有益效果：
[0029]
本发明一种基于风光荷两级预测的综合能源供电系统优化调度方法考虑风电和光伏发电过程的随机性和不确定性，实现对风光出力与用电负荷的精准预测，便于提前安排电网调度计划、配置燃料电池与电解水制氢功率，降低了供电系统随机调度的风险值和成本，遵循优先使用绿色能源、提高能源利用率的原则，实现对综合能源供电系统的优化调度。
[0030]
在发电端，优先使用风、光等绿色能源供应用电负荷，降低对大电网供电的依赖，减少碳排放。
[0031]
在用电端，通过合理安排各时段用电负荷，增强柔性负荷对新能源发电的消纳能力，提高能源利用率。
[0032]
在储能端，当负荷低谷时，氢储能系统利用风电、光伏富余的电能电解水制氢；当负荷高峰时，储存的氢能通过氢燃料电池对用电负荷供电，达到削峰填谷，保障供电系统不间断供电的目的。
[0033]
进一步的，利用粒子群算法与极限学习机(pso-elm)建立区间预测模型，预测出次日每小时风光出力和用电负荷的范围，为提前制定能源调度计划提供依据。
[0034]
进一步的，极限学习机(elm)是一类性能优良的新型单隐层前向型网络，仅通过一步计算即可解析出网络的输出权值，大大地提高了网络的泛化能力和学习速度，具有较强的非线性拟合能力，大大降低了计算量和搜索空间。
[0035]
进一步的，根据风光出力与用电负荷的预测区间，提前安排电网调度计划、配置燃料电池与电解水制氢功率，确保电力供应充足，降低弃风弃光量。
[0036]
进一步的，利用最小二乘支持向量机(ls-svm)建立超短期预测模型，每隔15min预测风光出力和用电负荷的精确值，为执行供电模式切换提供准确的判断条件。
[0037]
进一步的，最小二乘支持向量机(ls－svm)采用二次规划方法解决函数估计问题，直接转化为线性方程组的求解问题，能够简化计算的复杂程度，提高运算的精度及收敛速度，适用于数据的超短期预测场景。
附图说明
[0038]
图1为本发明一种基于风光荷两级预测的综合能源供电系统优化调度方法的流程示意图；
[0039]
图2为本发明一种基于风光荷两级预测的综合能源供电系统的结构示意图。
具体实施方式
[0040]
下面结合具体的实施例对本发明做进一步的详细说明，所述是对本发明的解释而不是限定。
[0041]
本发明公开了一种基于风光荷两级预测的综合能源供电系统优化调度方法，参照图1，包括以下步骤：
[0042]
s1，根据前一日的风力出力预测区间和用电负荷预测区间获取当日的电网配置和氢储能系统可调度容量；根据超短期预测模型获取当日任意时刻风光出力精确值p
*w&l
和用
电负荷精确值p
*load
，超短期预测模型的预测间隔时间为15min。
[0043]
前一日的风力出力预测区间和用电负荷预测区间的获取步骤为：
[0044]
首先利用极限学习机建立区间预测模型，区间预测模型的表达式如下：
[0045][0046]
式中：i为隐含层编号，k为隐含层总数，j为输入与输出数据编号，n为训练样本数；pj为区间预测模型目标输出值；xj为区间预测模型归一化输入数据；βi是连接隐含层与输出层的输出权值；gi(ωi·
xj+bi)为第i个隐含层节点的激活函数，ωi为连接第i个隐含层节点和输入节点之间的权重；bi为网络第i个隐含层的偏置。
[0047]
随后对区间预测模型进行训练，步骤如下：
[0048]
根据预测区间的定义，待预测目标值pj在额定置信水平时，预测目标值以接近额定置信水平的概率落在所构建的预测区间内，即：
[0049][0050]
式中：pj为区间预测模型目标输出值；xj为区间预测模型归一化输入数据；分别为pj在额定置信水平下预测区间的上下边界。
[0051]
预测区间的评估指标主要包括：预测区间覆盖率(prediction interval coverage probability,picp)、预测区间平均带宽(prediction interval normalized average width,pinaw)、累积带宽偏差(accumulated width deviation,awd)、预测区间覆盖率误差(prediction interval coverage error,pice)，各种指标的表达式如下：
[0052][0053]
式中：α为显著性水平；j为输入与输出数据编号；n为训练样本数；bj为布尔量，如果预测目标值包含于区间预测的上下限，则bj＝1，否则bj＝0；r为预测目标值变化范围用于对平均带宽进行归一化处理；r*用于对累计带宽偏差进行归一化处理；分别为pj在额定置信水平下预测区间的上下边界；为预测区间累积带宽偏差；为预测区间第j次迭代的带宽偏差程度，表达式如下：
[0054][0055]
对于风光出力以及用电负荷预测区间，在满足预测区间覆盖率误差(pice)、预测区间平均带宽(pinaw)和累积带宽偏差(awd)越小时，预测区间精度越高。因此，定义基于pice、pinaw、awd综合优化目标函数f如下所示：
[0056][0057]
式中：γj、λj分别为针对预测目标覆盖率偏差、预测区间平均带宽和累积带宽偏差的权重系数，调整权重系数控制不同准则对优化效果的影响比例。|*|是对pice、pinaw、awd求取绝对值。
[0058]
为确定elm区间预测模型各隐含层βi、ωi、bi的参数值，通过利用综合优化目标函数f来评价预测区间与实际区间的接近程度，结合利用风光出力和用电负荷日前历史数据对模型进行训练。
[0059]
再利用粒子群算法(pso算法)对区间预测模型进行迭代寻优，求得各隐含层βi、ωi、bi的最优参数，进一步完善区间预测模型。
[0060]
最后将前一日的风光出力数据和用电负荷数据带入寻优后的区间预测模型，获得前一日的风力出力预测区间和用电负荷预测区间，其中风光出力预测区间记为p
w&l
∈[p
w&l_min
,p
w&l_max
]，p
w&l_min
为最小风光出力预测值，p
w&l_max
为最大风光出力预测值，用电负荷预测区间记为p
load
∈[p
load_min
,p
load_max
]，p
load_min
为最小用电负荷预测值，p
load_max
为最大用电负荷预测值。
[0061]
当日的电网配置包括电网调度计划、燃料电池配置和电解水制氢功率。为保障电力不间断供应、减少弃风弃光，电网与氢储能的可调度容量配置格式如下：
[0062][0063]
其中，氢储能系统的输入功率即电解水制氢功率p
h2
；氢储能系统输出功率即燃料电池放电功率为p
battery
，燃料池放电功率上限为p
battery_max
；电网输出功率为p
grid
。
[0064]
风光出力精确值p
*w&l
和用电负荷精确值p
*load
的获取步骤为：首先建立超短期预测模型，表达式为：
[0065]
[0066]
式中：k为输入数据编号；m为训练样本数；p
*
(x)为超短期预测模型目标输出值；xk为第k个采样时刻的输入数据；ak为第k个采样时刻的拉格朗日乘子；k(xk,x)为最小二乘支持向量机模型的核函数，e为偏差量。
[0067]
再利用前一日的风光出力数据和用电负荷数据对超短期预测模型进行训练，获得优化的超短期预测模型；
[0068]
为确定ls-svm区间预测模型的ak、δ、e的参数值，需要利用风光出力和用电负荷日内历史数据对模型进行训练，利用平均误差作为评价标准，判断超短期预测模型预测值与实际值的接近程度，求得满足最小平均误差时ak、δ、e的最优参数。超短期预测模型的平均误差e计算公式如下：
[0069][0070]
式中：e为超短期预测模型的平均误差；k为输出值编号；m为训练样本数；为实际输出值；sk为预测输出值。
[0071]
最后将前一时刻的风光出力数据和用电负荷数据带入优化的超短期预测模型，获得当前时刻的超短期风光出力精确值p
*w&l
和用电负荷精确值p
*load
。
[0072]
s2，将当日的电网配置和氢储能系统可调度容量与间隔预设时间内的预测风光出力精确值p
*w&l
和用电负荷精确值p
*load
结合，进行综合能源系统供电模式的切换。
[0073]
综合能源系统供电模式包括风光自发自用模式、风光余电制氢模式、风光氢-离网模式和风光氢-并网模式，切换规则如下：
[0074]
当p
*w&l
＝p
*load
时，综合能源系统进入风光自发自用模式；即风光出力恰好等于用电负荷，此时风电和光伏的发电量全部被用电负荷消纳。
[0075]
当p
*load
《p
*w&l
≤p
*load
+p
h2
，综合能源系统进入风光余电制氢模式；即风光出力大于用电负荷，此时风电和光伏的发电量充足，供应负荷后还有剩余的电能。因此，可以利用富余的电能电解水制氢，把电能用氢气的形式储存起来，提高能源的利用率。
[0076]
当p
*w&l
《p
*load
≤p
*w&l
+p
battery
，综合能源系统进入风光氢-离网模式；此时氢燃料电池供电系统开启。当p
*w&l
《p
*load
≤p
*w&l
+p
battery
时，即风光出力和氢燃料电池输出功率之和大于等于用电负荷。此时风电、光伏和燃料电池工作在离网模式，共同为负荷提供所需电能。
[0077]
当p
*w&l
+p
battery
《p
*load
≤p
*w&l
+p
battery
+p
grid
，综合能源系统进入风光氢-并网模式，即风光出力和燃料电池输出功率之和小于负荷，综合能源供电系统进入风光氢-并网模式。此时风电、光伏和燃料电池工作在并网模式，利用电网为负荷补充所需电能。
[0078]
参照图2，本发明还公开了一种基于风光荷两级预测的综合能源供电系统，包括风力发电系统、光伏发电系统、并离网控制系统、电解水制氢系统、燃料电池供电系统、负荷、直流负荷、交流母线和直流母线。风力光伏系统的输出端和并离网控制系统的输出端与交流母线连接，电解水制氢系统的输入端与直流母线连接，电解水制氢系统的输出端与燃料电池供电系统的输入端连接，燃料电池供电系统的输出端与直流母线连接。交流负荷与交
流母线连接，直流负荷与直流母线连接，交流母线与直流母线通过ac/dc变换器连接。
[0079]
在交流侧，风力发电系统包括风力发电装置和ac/ac变换器，风力发电装置的输出端连接至ac/ac变换器，经电压等级变换后连接至交流母线一端；并网控制系统包括并网控制开关和交流电网。
[0080]
在直流侧，光伏发电系统包括光伏发电装置和dc/dc变换器，光伏发电装置的输出端连接至dc/dc变换器，经电压等级变换后连接至直流母线一端；电解水制氢系统由电解槽和储氢罐，电解槽的电力输入接口连接至直流母线一端，氢气出口连接至储氢罐的入口，储氢罐的出口连接至燃料电池供电系统输入端；
[0081]
燃料电池供电系统包括质子交换膜燃料电池发电装置和dc/dc变换器，燃料电池系统的输入端与储氢罐相连，燃料电池系统的输出端连接至dc/dc变换器，经电压等级变换后连接至直流母线一端。
[0082]
在负荷与母线端，交流负荷与交流母线一端相连，直流负荷与直流母线一端相连。交流母线与直流母线之间通过ac/dc变换器连接。
[0083]
风力发电系统利用自然界的风力带动风车叶片旋转，再通过增速机将旋转的速度提升，来促使发电机发出交流电；光伏发电系统通过光生伏特效应将光能直接转变为电能，产生的电能为直流电；
[0084]
电解水制氢系统利用光伏和风电富余的发电量电解水制氢，并将生成的氢气存储在储氢罐中；燃料电池供电系统消耗氢气、氧气等燃料产生电能，通过dc/dc变换器为用电负荷供电。
[0085]
并网控制系统通过开关控制综合能源供电系统离网运行或并网运行。当新能源发电能够满足对用电负荷供能时，系统离网运行；当新能源发电不能满足对用电负荷需求时，系统并网运行。