一种基于神经网络计算的源荷储调控方法及系统与流程

1.本发明属于电力行业电能供给调控技术领域，更具体地，涉及一种源荷储调控方法和系统。


背景技术：

2.随着技术的发展，尤其是当下新能源发电、储能技术的快速成长，未来电网的控制形态可能会受到各种用电形式影响。技术的发展使得电网的负荷不再仅仅是照明负荷和工业用的电动机，各种新型的更为复杂的负荷将不断融入现有电网。纯电动汽车的普及将在很大程度上增加电网负荷总量，负荷的增长将会带动分布式和集中式电源的建设和输电线路的建设，甚至在电网高峰期，纯电动汽车还可以反向向电网输电，有助于电力系统的削峰填谷。随着世界能源紧缺、环境污染等问题的日益突出，分布式电源以其可靠、经济、灵活、环保的特点而被越来越多的国家所采用；源荷储系统的研究应用，对电网调控方面应考虑的一个技术问题。
3.为解决电网的调控问题，在电力系统研究方面有一些研究，如中国专利文献cn110011422a，基于人工神经网络的智能配电运行监测系统及调控方法，新能源发电电力和电网多负荷柔性接入智能配电运行监测系统，利用智能配电监测管理技术集成光伏、储能蓄电、移动充电桩多负荷柔性，进行实时监控。但是，该技术方案只能一边检测一边调控，导致调控周期过长，对储能装置调控不能到位，不利于电网系统的稳定运行。该技术方案不能提前预测储能充放调控的时间段，不能有效地解决多源互补的稳定的电网控制。


技术实现要素：

4.鉴于未来电网的组网形式会更加丰富和复杂，现有电力系统调控工作中新能源的消纳问题突出，给电力系统带来巨大的系统稳定性压力的问题，亟待需要一种能有效解决多源互补的稳定电网的控制技术方案，以最大限度地提高电网运行稳定安全的可控性，使得未来电网的运行实时可控、在控、优控。
5.针对现有技术不能提前预测储能充放调控时间段的问题，本发明旨在提供一种基于神经网络计算的源荷储调控方法及系统，以有效解决源荷储多源互补的电网控制的稳定安全的问题，最大限度地提高电网运行稳定安全的可控性。
6.本发明解决其技术问题所采用的技术方案是：一种基于神经网络计算的源荷储调控方法，包括以下步骤：s1：获取调控周期t的天气状态；s2：利用rnn神经网络预测调控周期t的用电负荷水平和总发电量，确定光伏发电系统的所述调控周期t内发电量；s3：获取调控周期t的最低运营成本，确定储能装置的所述调控周期t内充放电时段；s4：基于调控周期t的负荷水平是否与该调控周期t对应的历史数据的负荷水平一致，确定柔性负荷的所述调控周期t内充放电时段；s5：根据所述储能装置的充放电时段与所述柔性负荷的充放电时段，优化所述光伏发电系统发电量的输出。
7.通过本调控方法，有助于提前平抑系统中柔性负荷带来的波动，有助于控制储能
装置的充放电时段，从而有助于提升系统的稳定性。
8.进一步地，s1步骤中所述天气状态为阴晴雨雪气象条件，相应的光照强度以及对应的日照时长。
9.进一步地，s2步骤中所述的调控周期t，包括光伏发电系统的可能出现的供电盈余的具体时段to和供电不足的具体时段t
l
。
10.进一步地，s3步骤的具体步骤包括：s31：基于电盈余时段to和供电不足时段t
l
；s32：优化源荷储系统，获得最低运营成本；s33：基于所述调控周期t中按照最低运营成本，确定对储能装置的充放电控制的时段。
11.进一步地，s4步骤的具体步骤包括：s41：实时比对调控周期t的负荷水平是否与该调控周期t对应历史数据中的负荷水平一致；s42：若判断为是，即一致，则不对所述调控周期t内柔性负荷的充放电时段进行调整，确定为该调控周期t内的供电盈余的具体时段to和供电不足的具体时段t
l
；s43：若判断为否，即不一致，则重新确定目标地区调控周期t对应的高水平负载ph、常规水平负载pm和低水平负载p
l
各自对应的能耗区间的上限和下限，使当前调控周期t内的负荷水平与所述高水平负载ph、常规水平负载pm和低水平负载p
l
对应；并返回步骤s2重新计算该调控周期t内可能出现的供电盈余的具体时段to和供电不足的具体时段t
l
。
12.进一步地，具体判断时应考虑：实时计算当前光伏发电系统的供电水平pv；实时计算调控周期t开始时刻的储能装置的剩余电量pc；实时计算调控周期t开始时刻的当前用电负荷pu；实时计算目标区域的常规供电节点的电力输出水平pr；此时，核算当前用电负荷pu是否会落入所述高水平负载ph、常规水平负载pm和低水平负载pl三者中同一个的负载范围，如果当前当前用电负荷pu与rnn神经网络训练时对应的历史数据同时期的用电负荷都落入前述高水平负载ph、常规水平负载pm和低水平负载pl三者中同一个的负载范围，则无需进行调整；如果当前用电负荷pu与rnn神经网络训练时对应的历史数据同时期的用电负荷并未落入前述高水平负载ph、常规水平负载pm和低水平负载pl三者中同一个的负载范围，则目标地区的用电负荷出现了偏离历史用电数据的波动，需重新返回所述步骤s2进行运算。
13.本发明还提供另一种技术方案：一种基于神经网络计算的源荷储调控系统，所述系统包括：光伏发电系统，用于可再生能源发电；储能装置，通过储能电池用于充放电时段进行充放电；柔性负荷，用于充放电时段进行柔性充放电；调控周期t，用于确定未来待调控时段。
14.本发明与现有技术相比，具有的有益效果：本发明提供的一种基于神经网络计算的源荷储调控方法，通过基于目标地区过往的历史数据，利用rnn神经网络算法，提前预测需要进行储能充放调控的时间段，从而能够根据优化策略提前确定储能装置的控制策略，克服了现有技术中需一边检测一边调控，导致储能装置调控周期边长的问题，有利于电网系统稳定运行，最大限度在提高了电网运行稳定安全的可控性。
15.本发明还提出的一种基于神经网络计算的源荷储调控系统，通过调控周期t的实际负荷波动水平，优化储能装置和柔性负荷，源荷储多源互补，从而有效解决电网控制的稳定安全问题，最大限度地提高电网运行稳定安全的可控性。
附图说明
16.图1为本发明的源荷储调控方法的流程图。
17.图2为本发明的rnn神经网络计算图。
18.图3为本发明的光伏电站输出功率波动对比图。
具体实施方式
19.下面结合附图和具体实施例对本发明作进一步的说明。
20.随着新能源发电系统与传统电网的融合，随着天气因素的影响，尤其是光照条件的波动，致使光伏发电装置输出功率值存在相应的波动，在光伏发电并网后会引发了光伏发电的消纳问题，进而导致电力系统潮流计算和调度问题更为复杂化。
21.在源荷储系统中，源端可以包括接入的各类新能源发电站、水电、地热存储发电等各类能源形式。本发明针对光伏发电、电动汽车等柔性负荷进行调度优化。具体到本发明实施例中，为进一步简化明确控制方案，包含的可再生能源主要是光伏发电系统为例，电网端主要为变压器弱压侧的无功补偿装置，包括以超级电容器为代表的离散型补偿装置和以svg为代表的连续型补偿装置，荷端主要为柔性负荷，如纯电动汽车和各类可中断负荷等。储端即为储能装置，为储能电池系统。
22.实施例1：
23.本实施例提供一种基于神经网络计算的源荷储调控方法，如图1所示，包括以下步骤：步骤一s1：获取调控周期t的天气状态。所述天气状态为阴晴雨雪气象条件，相应的光照强度以及对应的日照时长。
24.步骤二s2：利用rnn神经网络预测调控周期t的用电负荷水平和总发电量，确定光伏发电系统的所述调控周期t内发电量。所述的调控周期t，包括光伏发电系统的可能出现的供电盈余的具体时段to和供电不足的具体时段t
l
。
25.步骤三s3：获取调控周期t的最低运营成本，确定储能装置的所述调控周期t内充放电时段。具体步骤包括：s31：基于电盈余时段to和供电不足时段t
l
；s32：优化源荷储系统，获得最低运营成本；s33：基于所述调控周期t中按照最低运营成本，确定对储能装置的充放电控制的时段。
26.步骤四s4：基于调控周期t的负荷水平是否与该调控周期t对应的历史数据的负荷水平一致，确定柔性负荷的所述调控周期t内充放电时段。具体步骤包括：s41：实时比对调控周期t的负荷水平是否与该调控周期t对应历史数据中的负荷水平一致；s42：若判断为是，即一致，则不对所述调控周期t内柔性负荷的充放电时段进行调整，确定为该调控周期t内的供电盈余的具体时段to和供电不足的具体时段t
l
；s43：若判断为否，即不一致，则重新确定目标地区调控周期t对应的高水平负载ph、常规水平负载pm和低水平负载p
l
各自对应的能耗区间的上限和下限，使当前调控周期t内的负荷水平与所述高水平负载ph、常规水平负载pm和低水平负载p
l
对应；并返回步骤二s2重新计算该调控周期t内可能出现的供电盈余的具体时段to和供电不足的具体时段t
l
。
27.步骤五s5：根据所述储能装置的充放电时段与所述柔性负荷的充放电时段，优化所述光伏发电系统发电量的输出。
28.利用在步骤1中获得的天气状态，预测用电负荷水平和总发电量，可以获得相对较
为准确的光伏发电系统发电量，从而进一步控制地储能装置以及所述柔性负荷来尽可能地降低光伏系统发电量的输出，使得整个系统的潮流更加稳定。
29.本实施例中，采用循环神经网络(rnn)来处理光伏发电系统的电力输出预测值。在预测完光伏发电系统的发电量之后，还需要预先针对待分析的目标地区，针对目标地区的负荷特性，根据目标地区调控周期t对应的历史负荷水平设定高水平负载ph、常规水平负载pm和低水平负载p
l
各自对应的能耗区间的上限和下限，从而前述获得的光伏发电系统的电力输出预测值，按照高水平负载ph、常规水平负载pm和低水平负载p
l
对应的数值范围划分，将所述电力输出预测值归类为供电盈余、供电均衡和供电不足。
30.需要指出的是，目标地区的负荷水平为高水平负载ph、常规水平负载pm和低水平负载p
l
各自对应的能耗区间的上限和下限的确定，可以根据所述目标地区过往数据，比如过往若干季度、若干年的数据，根据过往数据中的地区负荷水平波动数据确定用电高峰期、低谷期的波动范围以及常规负荷水平，由此来确定高水平负载ph、常规水平负载pm和低水平负载pl各自对应的能耗区间的上限和下限。
31.实施例2：
32.本实施例在实施例1的基础上提供一种基于神经网络计算的源荷储调控方法，阴、晴、雨、雪、等气象条件下相应的光照强度作为第一天气输入元素x1、对应的日照时长作为第二天气输入元素x2和空气能见度作为第三天气输入元素x3。
33.建立rnn神经网络模型，如图2所示，该神经网络模型由输入层、隐藏层、输出层组成，输入层的节点数由历史光伏系统发电量、温度、天气状况决定，其中选取历史光伏系统作为输入w，选取选取待调控周期过往历史的光伏系统发电量为第一个输入数据x0，调节周期t对应的历史数据中，按照同样的时间起点计算，开始后15分钟内的预测气温作为第二个输入数据x1，光照强度作为第三个输入数据x2、对应的当天日照时长作为第四个输入数据x3，空气能见度作为第五个输入数据x4，将以上输入数据作为一组输入数据x(t)。之后，优选地，每15分钟采样当前的气温、光照强度、日照时长和空气能见度作为一组输入数据x(t+δt)，一个小时内就可以形成4组输入数据，一天内可以形成96组输入数据。
34.在历史数据中心以2小时为一个采样更新周期，在每个采样更新周期内，采样生成8组输入数据，分别是x(t)，x(t+δt)，
……
x(t+7δt)，其中δt是15分钟，并将这8组输入数据输入到rnn神经网络。
35.由于存在8组输入，故就存在8个隐藏层节点，隐藏层节点函数优选如下：
36.z(t)＝f(ux(t)+wz(t-δt))
37.其中，z(t)是输入x(t)对应的隐藏层节点，f是常规的非线性函数，比如ex或者是x2等，也可以由操作人员指定其他类型的非线性函数，之后u和w都是bp神经网络的共享参数，由操作人员自行设置，初始值z(0)可以由操作人员自行设置，也可以默认设置为1，故初始节点z(t)的计算公式z(t)＝f(ux(t)+wz(0))可以简化为z(t)＝f(ux(t)+w)。
38.同时，将该数组输入循环神经网络中，设置隐含层函数s的计算公式如下：
[0039][0040]
其中，zk是第k个节点的输出数值，而1≤j≤k，其中k为最终输出的分类节点数量，
由此利用隐含层函数s实现归一化的计算。由于考虑到在优选例中，只需要将光伏发电系统的供电水平归类为3个结果，即供电盈余、供电均衡和供电不足，故分类节点数量可以为3个。由此可以从而在神经网络模型进行预测的过程中，预测的光伏发电系统的发电量水平是供电盈余、供电均衡和供电不足哪种情况。
[0041]
通过上述将历史数据输入至上述rnn神经网络反复训练和调整参数，并利用历史的供电、用电情况进行验证，确保rnn神经网络参数通过一致性测试验证后。将上述rnn神经网络应用于当前调控周期t预测的光伏发电系统的供电强度，根据调控周期t内的天气预报情况，预测时采用与训练时候的同样的采样周期，采样光伏发电系统预测发电量、气温、光照强度、日照时长和空气能见度计算出光伏系统输出的电量水平，判断为调控周期t中光伏发电系统可能的供电水平，并计算供电盈余和供电不足分别对应的具体时段to和t
l
。
[0042]
本实施例中，需要针对目标地区夏季(例如7月1日至8月31日)的光伏发电系统进行预测和调控，则可利用过去若干年夏季对应时间段(例如7月1日至8月31日)的光伏发电系统发电历史数据，在历史数据上以7月1日为起点，采样每隔15分钟的光伏发电系统数据，同时采样同时期的气温、光照强度、当天日照时长、空气能见度作为同组输入数据，构成一组训练数据，以此循环，采样多组训练数据，输入至rnn神经网络进行训练，并通过历史的供电和用电数据进行验证，调整rnn网络的节点。
[0043]
之后读取今年夏季调控周期t(例如今年的7月1日至8月31日)的天气预报数据，通过插值历史数据的方式(或者其他预测手段)获得光伏发电系统在调控周期t开始时刻的发电水平p0、以及气温、光照强度、日照时长和空气能见度数值，一并输入到训练好的rnn神经网络，判断得出当前调控周期t内的光伏发电水准属于供电盈余、供电均衡还是供电不足，并统计供电盈余和供电不足分别对应的具体时段to和t
l
。
[0044]
进而计算源网荷储系统的运营的最低成本y：
[0045][0046]
其中uv(t)是光伏发电系统的运营成本，uc(t)、ud(t)分别是储能装置的充电期间和放电期间运营成本，uf(t)是地区电网线损成本，u
l
(t)是柔性负荷的补偿成本。
[0047]
同时，对于上述最低成本y的计算时，还要进一步设定有功功率平衡限制、无功功率平衡限制以及储能装置最大存储功率限制，确保在系统功率均衡的情况下，能够实现上述最低运营成本估算。
[0048]
同时，在前述确定的供电盈余和供电不足分别对应的具体时段to和t
l
进行监控，具体计算步骤如下：
[0049]
(1)计算当前光伏发电系统的供电水平pv。
[0050]
(2)实时计算调控周期t开始时刻的储能装置的剩余电量pc。
[0051]
(3)实时计算调控周期t开始时刻的当前用电负荷pu，可通过智能电表数据采集或者电网节点输出电力水平等手段进行计算。
[0052]
(4)实时计算目标区域的常规供电节点的电力输出水平pr。
[0053]
此时，核算当前用电负荷pu是否会落入，如果当前当前用电负荷pu与rnn神经网络训练时对应的历史数据同时期的用电负荷都落入前述高水平负载ph、常规水平负载pm和低水平负载pl三者中同一个的负载范围，则说明无需进行调整。
[0054]
如果当前用电负荷pu与rnn神经网络训练时对应的历史数据同时期的用电负荷并未落入前述高水平负载ph、常规水平负载pm和低水平负载pl三者中同一个的负载范围，则说明目标地区的用电负荷出现了偏离历史用电数据的波动，此前确定的调控策略存在不符合当下用电场合的情况。
[0055]
在此情况下，则根据当前用电负荷pu重新调整确定目标地区调控周期t对应的高水平负载ph、常规水平负载pm和低水平负载pl各自对应的能耗区间的上限和下限，以确保当前调控周期t内的负荷水平能够与调整后的高水平负载ph、常规水平负载pm和低水平负载pl对应，并返回步骤s2重新计算调控周期t内可能出现的供电盈余的具体时段to和供电不足的具体时段t
l
的具体操作是：
[0056]
不改变rnn神经网络的输入数据组，但在确定供电盈余、供电均衡和供电不足这三个分类结果时，需要按照调整后的高水平负载ph、常规水平负载pm和低水平负载p
l
对应设置对应关系调整分类结果，并确定对应的供电盈余和供电不足分别对应的具体时段to和t
l
。
[0057]
之后再次执行步骤s4，直至调控周期t结束。
[0058]
本实施例引入具有自动学习能力的rnn神经网络，利用目标区域的历史数据，将待控制周期对应的过去历史数据，建立负荷水平的对应区间，并采样待控制周期对应的过去历史发电数据、气温、光照强度、当天日照时长、空气能见度作为一组数据，利用神经网络训练和验证光伏发电系统输出电力的输出水平。训练结束后，确定供电盈余和供电不足分别对应的具体时段to和t
l
，从而基于时段to和t
l
确定调控能源的最低成本策略。
[0059]
同时，在调控的过程中，虽然确定了供电盈余和供电不足分别对应的具体时段to和t
l
，前述供电盈余和供电不足分别对应的具体时段to和t
l
的确定是基于待调控周期对应的历史数据中的负荷水平浮动区间；故，在实际调控周期t中，若发现负荷水平的波动范围与历史数据中的符合水平区间并不重合，说明rnn神经网络的计算基础并不合适，因此，需要重新确定目标地区的负荷水平的各区间，并重新训练和确定供电盈余和供电不足分别对应的具体时段to和t
l
，从而再次确定调控能源的最低成本策略。
[0060]
基于上述两大优点，上述的控制方法能够对带调控的周期提前确定调控策略，从而有助于提前平抑系统中柔性负荷带来的波动，从而有助于提升系统的稳定性，提升用户体验和降低系统调控成本。
[0061]
以浙江省某县城区根据上述控制方式优化后的数据为例：
[0062]
从上述数据中可以看出，随着光伏电站的容量逐渐增加，虽然建设投资成本有所上升，但是有功网损却在逐渐下降，这也是因为随着光伏电站容量增加之后，数据处理需求量大，利用神经网络算法迭代优化效果更为明显，降低了系统调控成本和网络损耗，提升了电网运行效率，同时，从图3所示：其中菱形为调控后的曲线，梅花形为调控前的曲线。
[0063]
从该光伏电站输出功率波动对比曲线的对比可以发现，采用本发明提供的神经网络计算的经济性源荷储能调控管理方法调控后，光伏电站出力曲线显然更为平稳。

技术特征：
1.一种基于神经网络计算的源荷储调控方法，其特征在于，所述方法包括以下步骤：s1：获取调控周期t的天气状态；s2：利用rnn神经网络预测调控周期t的用电负荷水平和总发电量，确定光伏发电系统的所述调控周期t内发电量；s3：获取调控周期t的最低运营成本，确定储能装置的所述调控周期t内充放电时段；s4：基于调控周期t的负荷水平是否与该调控周期t对应的历史数据的负荷水平一致，确定柔性负荷的所述调控周期t内充放电时段；s5：根据所述储能装置的充放电时段与所述柔性负荷的充放电时段，优化所述光伏发电系统发电量的输出。2.根据权利要求1所述的一种基于神经网络计算的源荷储调控方法，其特征在于：s1步骤中所述天气状态为阴晴雨雪气象条件，相应的光照强度以及对应的日照时长。3.根据权利要求1所述的一种基于神经网络计算的源荷储调控方法，其特征在于：s2步骤中所述的调控周期t，包括光伏发电系统的可能出现的供电盈余的具体时段t
o
和供电不足的具体时段t
l
。4.根据权利要求1所述的一种基于神经网络计算的源荷储调控方法，其特征在于：s3步骤的具体步骤包括：s31：基于电盈余时段t
o
和供电不足时段t
l
；s32：优化源荷储系统，获得最低运营成本；s33：基于所述调控周期t中按照最低运营成本，确定对储能装置的充放电控制的时段。5.根据权利要求1所述的一种基于神经网络计算的源荷储调控方法，其特征在于：s4步骤的具体步骤包括：s41：实时比对调控周期t的负荷水平是否与该调控周期t对应历史数据中的负荷水平一致；s42：若判断为是，即一致，则不对所述调控周期t内柔性负荷的充放电时段进行调整，确定为该调控周期t内的供电盈余的具体时段t
o
和供电不足的具体时段t
l
；s43：若判断为否，即不一致，则重新确定目标地区调控周期t对应的高水平负载p
h
、常规水平负载p
m
和低水平负载p
l
各自对应的能耗区间的上限和下限，使当前调控周期t内的负荷水平与所述高水平负载p
h
、常规水平负载p
m
和低水平负载p
l
对应；并返回步骤s2重新计算该调控周期t内可能出现的供电盈余的具体时段t
o
和供电不足的具体时段t
l
。6.根据权利要求5所述的一种基于神经网络计算的源荷储调控方法，其特征在于：具体判断时应考虑：实时计算当前光伏发电系统的供电水平p
v
；实时计算调控周期t开始时刻的储能装置的剩余电量p
c
；实时计算调控周期t开始时刻的当前用电负荷p
u
；实时计算目标区域的常规供电节点的电力输出水平p
r
；此时，核算当前用电负荷p
u
是否会落入所述高水平负载ph、常规水平负载pm和低水平负载pl三者中同一个的负载范围，如果当前当前用电负荷p
u
与rnn神经网络训练时对应的历史数据同时期的用电负荷都落入前述高水平负载ph、常规水平负载pm和低水平负载pl三者中同一个的负载范围，则无需进行调整；如果当前用电负荷p
u
与rnn神经网络训练时对应的历史数据同时期的用电负荷并未落入前述高水平负载ph、常规水平负载pm和低水平负载pl三者中同一个的负载范围，则目标地区的用电负荷出现了偏离历史用电数据的波动，需重新返回所述步骤s2进行运算。
7.一种基于神经网络计算的源荷储调控系统，用于权利要求1至6任一权利要求的一种基于神经网络计算的源荷储调控方法，其特征在于，所述系统包括：光伏发电系统，用于可再生能源发电；储能装置，通过储能电池用于充放电时段进行充放电；柔性负荷，用于充放电时段进行柔性充放电；调控周期t，用于确定未来待调控时段。

技术总结
本发明公开一种基于神经网络计算的源荷储调控方法及系统，通过基于目标地区过往的历史数据，利用RNN神经网络算法，提前预测需要进行储能充放调控的时间段，从而能够根据优化策略提前确定储能装置的控制策略，克服了现有技术中需一边检测一边调控，导致储能装置调控周期边长的问题，有利于电网系统稳定运行。经网络计算的源荷储调控系统，通过调控周期T的实际负荷波动水平，优化储能装置和柔性负荷，源荷储多源互补，有助于提前平抑系统中柔性负荷带来的波动，从而有助于提升系统的稳定性，最大限度地提高电网运行稳定安全的可控性。大限度地提高电网运行稳定安全的可控性。大限度地提高电网运行稳定安全的可控性。


技术研发人员：邱逸 高强 王笑棠 徐非非 施进平 徐文军 文洪君 潘夏 吴梦凯 叶尚兴 程海南 王裕民 陈搏威 项魏凯 杨津威 王兴伟
受保护的技术使用者：国网浙江省电力有限公司丽水供电公司
技术研发日：2022.12.27
技术公布日：2023/8/9