[發明專利]電力系統負荷功率預測方法及儲能電站功率分配方法

有效

• 申請號: 202010095575.1
• 申請日: 2020-02-17
• 公開（公告）號: CN111401604B
• 公開（公告）日: 2023-07-07
• 發明（設計）人: 余中平;關洪浩;張增強;辛超山;于國康;高貴亮;邊家瑜;余金;李建林;孟高軍;張峰
• 申請（專利權）人: 國網新疆電力有限公司經濟技術研究院
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q10/0631;G06Q50/06;G06N3/126
• 代理公司: 南京蘇高專利商標事務所(普通合伙) 32204
• 代理人: 柏尚春

1.一種儲能電站功率分配方法，其特征在于，包括以下步驟：

(1)采用基因尋優-MCF人工神經網絡預測模型對電力系統的負荷數據進行預測，得到電力系統的負荷預測值和負荷預測曲線，包括以下過程：

(11)采集電網負荷歷史數據以及外部因素數據，對所述負荷歷史數據以及外部因素數據進行歸一化映射處理；

(12)確定MCF人工神經網絡的拓撲結構，構建MCF人工神經網絡負荷預測模型；

(13)采用基因尋優算法得到最優的MCF人工神經網絡初始權值和閾值，構建基因尋優-MCF人工神經網絡負荷預測模型；

(14)通過基因尋優-MCF人工神經網絡負荷預測模型，計算得到負荷預測歸一化結果，將歸一化數據進行逆向還原，得到負荷預測值；通過擬合所述的負荷預測值，得到負荷預測曲線；

(2)根據所述電力系統的負荷預測值以及負荷預測曲線，計算電力系統的調峰需求與調頻需求；通過基因尋優-MCF人工神經網絡負荷預測模型，可以得到未來一天的日負荷曲線，根據負荷峰值P_max、負荷谷值P_min以及新能源并網容量P_energy，可以得到系統日調峰需求P_1-req為：

P_1-req＝P_energy+(P_max-P_min)；

根據負荷每個時刻的預測結果P_load，考慮新能源并網容量P_energy、機組發電計劃分量P_G-plan，聯絡線調節分量P_line，得到系統的調頻需求P_2-req為：

P_2-req＝P_load-P_nergy-P_line-P_G-pian；

(3)引入儲能電站調峰參與因子α與調頻參與因子β，對有限的儲能電站容量進行分配：

αP_1-req+βP_2-req≤P_rate

其中，P_1-req為系統的調峰需求，P_2-req為系統的調頻需求，P_rate為單個儲能電站容量；

(4)采用種群食物搜尋算法求解基于調峰調頻參數的儲能電站運行模型，得到調頻、調峰功率最優分配結果。

2.根據權利要求1所述的儲能電站功率分配方法，其特征在于：步驟(11)中所述的負荷歷史數據包括所預測時刻之前的連續三天相同時刻、前一時刻和后一時刻的負荷歷史數據；所述的外部因素包括預測時刻當天的最高溫度、最低溫度、平均溫度以及天氣狀況降水概率以及日類型。

3.根據權利要求1所述的儲能電站功率分配方法，其特征在于：步驟(12)中所述的確定MCF人工神經網絡的拓撲結構包括：輸入層設置的神經元分別對應歸一化映射處理后的所述負荷歷史數據以及外部因素數據；輸出層設置一個神經元節點，為預測時刻的歸一化負荷值；輸出層的激勵函數取非負的Sigmiod函數；隱含層的激勵函數取正負對稱的Sigmiod函數。

4.根據權利要求1所述的儲能電站功率分配方法，其特征在于：步驟(13)中所述的采用基因尋優算法得到最優的MCF人工神經網絡初始權值和閾值，是用個體代替MCF人工神經網絡中的初始權值W₀與閾值B₀，個體值初始化的MCF人工神經網絡的預測誤差作為個體適應度值，然后通過基因尋優算法中的選擇、交叉、變異操作后再次計算適應度值，當適應度值達到終止條件即得到最優的MCF人工神經網絡初始權值和閾值。

5.根據權利要求1所述的儲能電站功率分配方法，其特征在于：所述步驟(13)包括以下過程：

(31)種群初始化：隨機產生一個包含K組MCF人工神經網絡模型的總的網絡權值與閾值種群，即X＝{X₁，…，X_i，…，X_K}，X_i包括輸入層到隱含層的權值、隱含層閾值、隱含層到輸出層的權值以及輸出層閾值；采用實數編碼法對每組的MCF人工神經網絡的隨機候選權值與閾值進行編碼；

(32)將人工神經網絡模型的輸出誤差作為個體舒適度的評價標準，輸出誤差越小，個體舒適度最優，即為最優權值與閾值組，其表達式為：

式中，E為誤差，d_a為人工神經網絡理想輸出，Y_oa為實際輸出，其中輸出層僅有一個神經元，a＝1；

(33)進行個體選擇運算，按照個體適應度，采用輪盤賭法，選擇部分優良個體進行遺傳，形成新的種群；

(34)進行交叉運算，對被選中成為新種群的成對個體，交換原個體中的部分閾值或權值，由此產生新的個體；

(35)進行變異操作，在進行交叉運算后，將個體中的權值與閾值的取值突破原先的包含K組種群的取值范圍，向更大的空間以一定概率進行搜索，更新個體中的權值與閾值，重新計算個體舒適度；

(36)重復(33)～(35)中的操作，直至滿足舒適度需求或進化次數結束，通過選擇、交叉、變異操作尋找最優個體，即最優的MCF人工神經網絡初始權值和閾值。