[發明專利]一種基于風電功率爬坡預測的風-蓄-氫混合儲能控制方法

有效

• 申請號: 202110834597.X
• 申請日: 2021-07-22
• 公開（公告）號: CN113486593B
• 公開（公告）日: 2023-09-22
• 發明（設計）人: 丁妍文;孟高軍;孫玉坤;譚文軼;劉海濤;程哲明;周煜;李萌露
• 申請（專利權）人: 南京工程學院
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06F18/23213;G06N3/006;G06N3/0499;G06N3/084;G06Q10/04;G06Q50/06;G06F111/04;G06F113/06;G06F119/06
• 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

1.一種基于風電功率爬坡預測的風-蓄-氫混合儲能控制方法，其特征在于，包括以下步驟：

步驟1，利用經驗模態分解將原始風電功率分解為各序列分量，將分解后的各本征模態函數分量和剩余分量作為輸入量建立基于各序列分量的最小二乘支持向量回歸風電預測模型，并使用智能蟲群算法優化所述最小二乘支持向量回歸風電預測模型的正則化參數和核參數，通過優化后的模型得到風電功率預測序列；

步驟2，將風電功率預測序列作為輸入，利用累加-搖擺窗算法對其中的風電爬坡事件進行識別；

步驟3，提取所識別風電爬坡事件的特征值，將所述的風電爬坡事件的特征值作為輸入，通過多網絡前饋算法計算風電爬坡抑制效能指標；

步驟4，將風電功率預測序列和狀態變量輸入至超前模型控制系統控制蓄電池及氫循環裝置的出力，所述超前模型控制系統中的能量損失指標的影響因子使用步驟3所得風電爬坡抑制效能指標替代；

步驟1中所述的智能蟲群算法包括以下步驟：

(11)隨機生成N個蟲巢的初始種群，迭代過程中種群B(t)＝{X_i^t，X_i^t＝x_i1^t，x_i2^t，...，x_iD^t}，其中i＝1，2，...，N，D為蟲巢的位置維數，t為當前的迭代次數，X_i^t為第i個蟲巢的第t次迭代向量，x_ik^t表示第t次迭代第i個蟲巢的第k維向量；

(12)計算每個蟲巢的適應度函數F_i及其在蟲群中被選中的概率P_i；

(13)動態更新種群，更新表達式為：

式中，k為各分量相應的維數，x_jk為當前隨機搜索到的最佳蟲巢位置，x_op，k為整個蟲群中的最佳蟲巢位置，λ_k為步長因子，j由輪盤賭機制得到，P_j為目標蟲巢被選中的概率，α為步長上限；

(14)計算蟲巢的隨機變異的概率為：

σ＝Z×(V_max-V_min)

式中，N(x_ik^t，σ²)為正態分布，N(0，1)為0-1分布，σ為標準差，Z為縮放比例系數，為0到1之間的隨機數，V_max和V_min分別為蟲巢位置的上下邊界；

(15)組合舊群體和變異后的群體，保留組合群體中適應度函數值最小的個體；此時若滿足終止條件，則輸出最佳位置及其對應的最優值，反之，則繼續進行迭代；

步驟(12)中所述的計算每個蟲巢的適應度函數F_i及其在蟲群中被選中的概率P_i，計算式分別為：

其中，f(x_i)為第i個蟲巢x_i的優化目標函數；F_i為適應度函數，P_i為每個蟲巢在蟲群中被選中的概率，N為蟲巢總數；

步驟1中所述的使用智能蟲群算法優化所述最小二乘支持向量回歸風電預測模型的正則化參數和核參數，是將所述正則化參數和核參數組成參數組(γ，σ)作為所述智能蟲群算法的蟲巢位置，通過所述智能蟲群算法得到的最佳蟲巢位置作為最小二乘支持向量回歸風電預測模型的最優參數；其中，所述適應度函數中的優化目標函數為：

式中，及y_i分別為對原始風電功率數據經模態分解后得到的各序列風電功率數據經歸一化處理后的第i個樣本的輸出功率預測值及真實值，n為各序列中的原始風電數據的樣本總數，γ_min，γ_max分別為正則化參數γ的上下限，σ_min，σ_max分別為核參數σ的上下限；

步驟2中所述的累加-搖擺窗算法包括以下步驟：

(21)使用搖擺窗算法將風電功率預測序列進行壓縮分段化處理；

(22)在壓縮分段化處理后的風電功率預測序列上任取一個時間區間(i，j)，k(i＜k＜j)為其中的任意時刻；

(23)在風電功率預測序列上構造目標函數J(i，j)：

該目標函數的約束條件為：

S(i，j)＝(j-i)²×R(i，j)

其中，S(·)為累加函數，S(i，k)是對應于子區間(i，k)的得分值，R(i，j)代表子區間(i，j)上的一起爬坡事件，當(i，j)符合爬坡事件的定義時，R(i，j)被賦值為a；反之，R(i，j)則被賦值為b，其中a，b為常數；所述爬坡事件的定義是，當滿足不等式(p_j-p_i)/(t_j-t_i)＞λ_up或(p_j-p_i)/(t_j-t_i)＜-λ_down時，即視為一起爬坡事件；其中，λ_up與λ_down為爬坡事件分界值；p_j和p_i分別為其對應時刻t_j和t_i的功率；

(24)滿足目標函數的時間區間識別為風電爬坡事件；

步驟4中所述的將風電功率預測序列和狀態變量輸入至超前模型控制系統控制蓄電池及氫循環裝置的出力，包括以下步驟：

(41)將風電功率預測序列和狀態變量作為輸入，通過AMC控制系統模型初步預測風-蓄-氫混合儲能系統未來一段時刻的過程輸出，所述過程輸出包括并網功率、蓄電池剩余能量以及儲氫罐的儲氫量；

(42)將模型的初步預測結果作為輸入，通過AMC控制系統模型，得到最優控制輸入變量，作用到儲能系統中，控制蓄電池及氫循環裝置的出力，所述控制輸入變量包括蓄電池的充放電功率及氫循環裝置的充放電功率；

(43)將上一時刻的并網功率和儲能系統狀態作為反饋量構成閉環控制，將上一時刻的風電功率預測值作為控制器輸入，進行下一階段的控制；

所述AMC控制系統模型包括狀態空間模型、目標函數及目標函數的約束條件，所述目標函數為：

式中，ΔE＝ψ_climb·[(-u₁(k)·(1-η_B)·Δt-u₂(k)·(1-η_H)·Δt)+Δt·Δx₁(k)]，其中，Δx₁(k)為并網功率波動指標，Δu₁(k)為蓄電池的充放電功率變化指標，ΔE為系統的能量損耗指標；λ₁、λ₂、λ₃分別為三個子目標函數的權重，所述三個子目標函數的權重采用適應度函數變差系數排序法確定，ψ_climb為能量損失指標的影響因子，為蓄電池充放電過程的轉換效率，η_Bc為蓄電池充電效率，η_Bd為蓄電池放電效率，P_B(t)表示蓄電池的充放電功率；為氫儲能系統的充放電效率，η_Hc為氫儲能系統充電效率，η_Hd為氫儲能系統放電效率，P_H(t)為氫循環裝置的充放電功率；為決策時刻數，T為AMC控制的周期時長，Δt為波動時間尺度，u₁(k)、u₂(k)分別為蓄電池的充放電功率及氫循環裝置的充放電功率。