本發(fā)明涉及風光耦合預測領域，尤其涉及一種風光耦合預測的混合儲能功率優(yōu)化方法及控制系統(tǒng)。

背景技術：

1、風力發(fā)電和光伏發(fā)電作為最具代表性的新能源發(fā)電方式，其在能源結(jié)構(gòu)中的占比日益增大。由于風能和太陽能存在隨機性和間歇性的特點，因此結(jié)合風電出力和光伏出力特點的風光耦合發(fā)電方式得到了巨大的發(fā)展。在此基礎上，為推廣風光耦合系統(tǒng)的分布式應用，需要考慮在擺脫大電網(wǎng)及火電機組以后通過儲能系統(tǒng)來調(diào)節(jié)風光耦合系統(tǒng)出力的不確定性。鑒于儲能包括能量型儲能和功率型儲能，一般采用不同類型的儲能進行混合以應對不同頻率下的風光出力波動。因此，如何平衡混合儲能的功率分配成為提升系統(tǒng)效益以及降低系統(tǒng)成本的主要問題。

2、目前，對于分布式能源系統(tǒng)的混合儲能在功率分配研究上多數(shù)都為靜態(tài)下的優(yōu)化計算，利用已有的風光數(shù)據(jù)進行混合儲能的功率分配，只針對了記錄數(shù)據(jù)下混合儲能的功率情況，沒有利用風光預測技術對儲能系統(tǒng)進行預期性的功率估計，同時缺乏混合儲能在實際出力下對其功率變化特性的描述。上述因素使得混合儲能的理論計算結(jié)果與實際出力情況容易產(chǎn)生較大偏差，對系統(tǒng)的穩(wěn)定性以及使用壽命產(chǎn)生嚴重影響。因此提出一種風光耦合預測的混合儲能功率優(yōu)化方法及控制系統(tǒng)。

技術實現(xiàn)思路

1、本發(fā)明的目的在于提供一種風光耦合預測的混合儲能功率優(yōu)化方法及控制系統(tǒng)，解決了現(xiàn)有分布式能源系統(tǒng)的混合儲能在功率分配研究上多數(shù)都為靜態(tài)下的優(yōu)化計算，沒有利用風光預測技術對儲能系統(tǒng)進行預期性的功率估計，同時缺乏混合儲能在實際出力下對其功率變化特性的描述的問題。

2、為實現(xiàn)上述目的，本發(fā)明提供如下技術方案：一種風光耦合預測的混合儲能功率優(yōu)化方法，包括以下步驟：

3、步驟一：風光耦合出力預測的多場景模型構(gòu)建：基于預測結(jié)果，進行預測出力多場景的構(gòu)建；

4、步驟二：pso優(yōu)化計算預測出力下混合儲能的目標功率：通過多場景結(jié)果確定混合儲能的出力功率范圍，并進行混合儲能目標功率的優(yōu)化計算；

5、步驟三：混合儲能的功率分配及優(yōu)化方法：對混合儲能中各儲能單元承擔功率進行分配，結(jié)合日前日內(nèi)分配結(jié)果進行各儲能單元的功率優(yōu)化。

6、優(yōu)選的，步驟一中所述風光耦合出力預測的多場景模型構(gòu)建具體包括：

7、(1)基于全年的風電出力和光伏出力數(shù)據(jù)，采用gumbel-copula函數(shù)構(gòu)建風電出力和光伏出力的聯(lián)合分布，利用極大似然估計確定該聯(lián)合分布的參數(shù)，所述聯(lián)合分布函數(shù)為：

8、

9、式中：pwind為全年風電出力數(shù)據(jù)；ppv為全年光伏出力數(shù)據(jù)；ρ為模型參數(shù)；

10、(2)利用短期預測技術預測一天的風電出力和光伏出力數(shù)據(jù)記錄為和設置參數(shù)包括cdf，m，n，所述各參數(shù)為：

11、

12、(3)利用蒙特卡洛mcmc方法進行隨機抽樣獲得風電出力和光伏出力的聯(lián)合分布隨機數(shù)cg-rand，所述抽樣方法如下：

13、cg-rand＝mcmc(cdf，m，n)；

14、(4)利用核密度估計(ksdensity)的逆變換(icdf)獲得cg-rand的真值real，所述真值real計算式為：

15、

16、(5)返回預測出力的時間序列(sort)，獲得風光出力預測的耦合出力多場景具體計算式為：

17、

18、優(yōu)選的，步驟二中所述pso優(yōu)化計算預測出力下混合儲能的目標功率具體包括：

19、(1)確定負荷端負荷需求為pload，計算混合儲能承擔的目標功率，該目標功率為不同情況下對應的功率場景，的計算式為：

20、

21、(2)上一步確定的為m×n的矩陣，根據(jù)場景規(guī)劃特點可知m∈[2，+∞)，故在混合儲能承擔的目標功率場景中，可以確定混合儲能的最大可能出力與最小可能出力具體為：

22、

23、(3)通過生成范圍內(nèi)的隨機解作為粒子群算法(pso)的初始粒子，設置pso的參數(shù)包括粒子個數(shù)d，粒子維度t，總迭代次數(shù)iter，自我學習因子c1，群體學習因子c2，初始慣性因子w1，終止慣性因子w2，速度范圍[vmin，vmax]，粒子群算法優(yōu)化計算為：

24、s1：記錄當前迭代次數(shù)為i，初始次數(shù)為1，隨機生成在范圍內(nèi)的初始粒子以及在范圍[vmax，vmin]內(nèi)的初始速度v(1)；

25、s2：根據(jù)所建模型，以負荷需求為前提下負荷端的缺電率最小為目標，設置目標函數(shù)為：

26、

27、式中：α(i)為第i次迭代時負荷端的缺電率；

28、s3：計算各粒子的缺電率，確定缺電率最小所對應的粒子及其位置并記錄；

29、s4：粒子優(yōu)化，當時，同時否則和不變；

30、s5：參數(shù)更新：

31、(a)更新慣性權重為：

32、

33、式中：w(i)為第i次迭代時的慣性權重；

34、(b)更新速度為：

35、

36、(c)更新粒子為：

37、

38、(d)速度和粒子的越界處理：

39、如果或則或否則不處理；

40、如果v(i)vmin或v(i)>vmax，則v(i)＝vmin或v(i)＝vmax，否則v(i)不處理；

41、s6：判斷是否達到最大迭代次數(shù)，若達到最大迭代次數(shù)，則優(yōu)化結(jié)束，輸出最終否則，令i＝i+1，返回步驟3繼續(xù)計算；

42、(4)根據(jù)上述方法最終確定在風光耦合出力短期預測下混合儲能的目標功率即混合儲能在日前預計的承擔功率。

43、優(yōu)選的，步驟三中所述混合儲能的功率分配及優(yōu)化方法具體包括日前混合儲能的功率分配與日內(nèi)混合儲能的功率優(yōu)化調(diào)整。

44、優(yōu)選的，所述日前混合儲能的功率分配具體為：

45、(1)采用滑動平均濾波方法對混合儲能的目標功率進行分配，滑動平均濾波原理所述如下：

46、

47、式中：windowsize為窗寬；n為采樣序列長度；

48、采用熵值法選擇最佳窗寬，擬定初始窗寬為t0，計算該窗寬下的滑動系數(shù)a和b，計算式為：

49、

50、式中：ones(1，t0)為1行t0列，值為1的矩陣；

51、計算窗寬為t0時，目標功率分配到蓄電池的功率pbattery和超級電容的功率psuper，具體為：

52、

53、式中：為滑動平均濾波；

54、(2)采用熵值法計算不同窗寬下蓄電池荷電量(soc)和超電電容荷電量的熵，以蓄電池soc熵和超級電容soc熵的差值最小，其所對應的窗寬為最佳窗寬，選擇最佳窗寬下的pbattery和psuper作為日前蓄電池和超級電容各自的承擔功率，熵值法具體為：

55、

56、式中：x為具有時間序列的soc值向量；p(xi)為第i個時刻soc值在劃定區(qū)間出現(xiàn)的概率，具體表現(xiàn)為：本說明中將soc劃分為5個區(qū)間，即0～0.2、0.2～0.4、0.4～0.6、0.6～0.8、0.8～1，p(xi)為x出現(xiàn)在上述各區(qū)間的個數(shù)占總時間序列長度的比值；

57、根據(jù)熵值法確定最佳窗寬下對應的pbattery和psuper為日前各儲能單元的目標功率。

58、優(yōu)選的，所述日內(nèi)混合儲能的功率優(yōu)化調(diào)整具體為：

59、利用超短期預測技術逐時預測當日單個時刻的風電出力和光伏出力，結(jié)合逐時負荷需求估計采用上述所述方法進行對應時刻的混合儲能的功率計算及各儲能單元的功率分配，記錄為和記錄對應時刻的混合儲能總功率為

60、根據(jù)日內(nèi)混合儲能的目標功率及各單元儲能的承擔功率進行優(yōu)化控制；

61、(1)日內(nèi)混合儲能總功率小于等于日前混合儲能目標功率，即

62、當時：確定蓄電池功率為超級電容功率為以確保超級電容功率無溢出；

63、當時：確定蓄電池功率為超級電容功率為該狀態(tài)下各儲能單元功率無需調(diào)整；

64、(2)日內(nèi)混合儲能總功率大于日前混合儲能目標功率，即

65、計算混合儲能的溢出功率采用第三部分所述方法對溢出功率進行分配，記錄為和

66、判斷和pbattery的大小關系會影響某一儲能單元功率的超額溢出，故對應時刻的蓄電池功率和超級電容功率的計算式為：

67、

68、一種風光耦合預測的混合儲能的控制系統(tǒng)，包括數(shù)據(jù)采集模塊，風光功率預測模塊，負荷監(jiān)測模塊，功率分配模塊1，功率分配模塊2，功率優(yōu)化模塊，混合儲能控制模塊。

69、優(yōu)選的，所述數(shù)據(jù)采集模塊：用于采集風光資源數(shù)據(jù)和氣象數(shù)據(jù)，并存儲，相關數(shù)據(jù)用于風光功率的預測以及儲能功率的優(yōu)化；

70、所述風光功率預測模塊：用于進行風電功率和光伏功率的日前短期預測及日內(nèi)逐時超短期預測，并將進一步預測結(jié)果的多場景情況輸入到功率分配模塊；

71、所述負荷監(jiān)測模塊：用于監(jiān)測實時負荷，并反饋到日內(nèi)混合儲能功率優(yōu)化當中；

72、所述功率分配模塊1：用于計算日前混合儲能的功率分配，包含有混合儲能目標功率的計算方法以及各儲能單元的功率分配方法；

73、所述功率分配模塊2：用于計算日內(nèi)混合儲能的功率分配，包含有混合儲能目標功率的計算方法以及各儲能單元的功率分配方法；

74、所述功率優(yōu)化模塊：用于日內(nèi)混合儲能的功率調(diào)整優(yōu)化；

75、所述混合儲能控制模塊：根據(jù)功率優(yōu)化模塊結(jié)果，用于對混合儲能的充放電功率進行控制。

76、與相關技術相比較，本發(fā)明提供的一種風光耦合預測的混合儲能功率優(yōu)化方法及控制系統(tǒng)具有如下有益效果：

77、1、針對預測結(jié)果進行多場景的構(gòu)建：一般預測結(jié)果僅能提供單一場景下的風電功率曲線和光伏功率曲線，缺少風光耦合下功率的變化描述，同時風光自身的不確定性亦會對預測結(jié)果產(chǎn)生較大影響，進一步影響風光耦合下的功率變化，多場景方法可以在不考慮風光功率受何種因素影響的前提下，通過聯(lián)系風光出力的相關性盡可能的包含風光耦合下功率的變化情況，場景數(shù)量越多，包含情況越多。

78、2、針對pso優(yōu)化計算預測出力下儲能的目標功率：一般計算混合儲能的目標功率為風光出力與負荷需求的差值，在優(yōu)化過程中需要多混合儲能的功率、容量以及soc進行約束，增加優(yōu)化步驟。本發(fā)明基于多場景預測結(jié)果和負荷需求，在優(yōu)化計算開始前就確定了混合儲能的最大可能出力和最小可能出力范圍，即在優(yōu)化開始前對混合儲能的功率、容量以及soc進行約束，減少了在優(yōu)化過程中對約束條件處理的繁瑣性。

79、3、針對混合儲能soc的熵值驗證確定各儲能單元的功率分配：一般在進行混合儲能功率分配時，無論采用那種功率信號分解方法，在選擇信號分解的參數(shù)時，往往通過經(jīng)驗判斷或者梯度下降原理進行計算，計算過程復雜且目標函數(shù)設置缺乏普適性。熵值理論能夠刻畫系統(tǒng)的無序程度，其值越大，系統(tǒng)越無序；其值越小，系統(tǒng)越有序，將其應用到混合儲能的功率分配當中，并計算各儲能單元在不同soc區(qū)間的熵值，從圖6(a)中可以看出蓄電池soc的熵值變化較為平穩(wěn)，超級電容soc的熵值變化具有一定起伏，這與兩種儲能的功率特性較為一致，即蓄電池在不同soc區(qū)間的soc值變化平穩(wěn)，超級電容在不同soc區(qū)間的soc值變化有較大的波動性。選擇各儲能單元soc熵值之差最小所對應的參數(shù)，不同儲能之間的穩(wěn)定程度就相對更高。熵值理論能夠更簡便、更準確的對整個系統(tǒng)以及混合儲能內(nèi)部各儲能單元的功率特性進行評價。

80、使得本方法與控制系統(tǒng)能夠減少了在優(yōu)化過程中對約束條件處理的繁瑣性，更簡便、更準確的對整個系統(tǒng)以及混合儲能內(nèi)部各儲能單元的功率特性進行評價。