【技术实现步骤摘要】
本专利技术涉及光储荷资源优化，尤其涉及一种分布式微网光储荷的整合方法及系统。
技术介绍
1、近年来，为应对化石能源枯竭和环境变化等问题，以光伏、风电为主可再生能源得到大力发展。其中分布式微网是提供光伏等可再生能源消纳能力关键举措，其主要由分布式电源、负荷、储能系统及公共电网组成，其中分布式电源是微电网主要依赖的能源，从经济角度来说，希望其出力越大越好；负荷是消耗能源设备，从管理角度来说，希望对其预测更为准确、可靠。而储能是平抑是分布式电源出力波动性和间歇性的关键设备，其实际可用容量对微电网调控尤为关键。
2、然而，现有分布式微网管理中，并不能完全发挥各部分的真正性能，更多的是从理想模型出现以资源消耗最小为目标，以各个组件运行要求为约束进行整合管理，显然难以发挥分布式微网真正性能。
3、基于此，需要开发设计出一种分布式微网光储荷的整合方法。
技术实现思路
1、本专利技术实施方式提供了一种分布式微网光储荷的整合方法及系统，用于解决现有技术中分布式微网真正性能未得到充分利用的问题。
2、第一方面，本专利技术实施方式提供了一种分布式微网光储荷的整合方法，包括：
3、获取第一因素数据集以及第二因素数据集，其中，所述第一因素数据集基于影响分布式微网负荷曲线的因素获取，所述第二因素数据集基于多个光伏单元的出力特性获取；
4、对所述第一因素数据集进行数据预处理以提取多个负荷特征图，并将所述多个特征图输入到预测模型中，获取负荷预测值；>
5、根据所述第二因素数据集对所述多个光伏单元进行聚类，并根据聚类的结果确定所述多个光伏单元的连接关系以优化所述多个光伏单元的出力；
6、根据所述多个光伏单元的出力、所述负荷预测值以及储能系统的剩余容量，调整所述储能系统的输入或输出，以平抑光伏出力的波动。
7、在一种可能实现的方式中，所述第一因素数据集包括历史负荷数据、温度数据以及湿度数据，所述对所述第一因素数据集进行数据预处理以提取多个负荷特征图，并将所述多个特征图输入到预测模型中，获取负荷预测值，包括：
8、将所述历史负荷数据进行波形分解，获得低频负荷数据、中频负荷数据以及高频负荷数据；
9、分别根据所述温度数据、所述湿度数据、所述低频负荷数据、所述中频负荷数据以及所述高频负荷数据构建低频特征图、中频特征图以及高频特征图，其中，所述低频特征图包括所述温度数据、所述湿度数据以及所述低频负荷数据，所述中频特征图包括所述温度数据、所述湿度数据以及所述中频负荷数据，所述高频特征图包括所述温度数据、所述湿度数据以及所述高频负荷数据；
10、将所述低频特征图、中频特征图以及高频特征图分别输入到对应的预测模型中，获取低频预测值、中频预测值以及高频预测值；
11、将所述低频预测值、所述中频预测值以及所述高频预测值累加，获得所述负荷预测值。
12、在一种可能实现的方式中，所述将所述历史负荷数据进行波形分解，获得低频负荷数据、中频负荷数据以及高频负荷数据，包括：
13、采用变分模态分解法和/或平稳小波变化法将所述历史负荷数据分解为所述低频负荷数据、所述中频负荷数据以及所述高频负荷数据，当采用所述变分模态分解法对所述历史负荷数据进行分解时，需要满足第一目标公式以及第一约束公式，其中，所述第一目标公式为：
14、
15、式中，表示梯度操作，δ(t)表示狄拉克分布，*表示卷积操作，wk为目标频率；
16、所述第一约束公式为：
17、
18、式中，x(t)为历史负荷数据。
19、在一种可能实现的方式中，所述所述预测模型基于卷积神经网络构建，所述卷积神经网络包括卷积层、非线性化处理层、池化层以及输出层，所述卷积神经网络接收的特征图分别经过所述卷积层、所述非线性化处理层、所述池化层以及所述输出层的卷积、非线性化处理、池化和分类等四个过程实现负荷预测；
20、其中，在每次卷积操作后，都经过所述非线性化处理层的relu操作进行非线性处理；
21、所述所述输出层包括一个由多层感知器组成的全连接层，感知器采用softmax激活函数。
22、在一种可能实现的方式中，所述第二因素数据集包括与多个光伏单元对应的多个出力电流数据，所述多个出力电流数据基于相同的时段获取，所述根据所述第二因素数据集对所述多个光伏单元进行聚类，并根据聚类的结果确定所述多个光伏单元的连接关系以优化所述多个光伏单元的出力，包括：
23、对所述多个出力电流数据进行聚类，获得多个聚类中心；
24、对所述多个聚类中心按升序进行排列；
25、根据排列后的多个聚类中心判断多个光伏单元出力差值；
26、若所述多个光伏单元出力差值小于第一阈值，所述多个光伏单元串联连接；
27、若所述多个光伏单元出力差值大于或等于第一阈值时，以二分法递进判断光伏单元之间的差值；
28、若以二分法递进判断光伏单元之间的差值小于第二阈值，则光伏单元之间并联连接；否则，光伏单元之间串联连接。
29、在一种可能实现的方式中，所述以二分法递进判断光伏单元之间的差值，包括：
30、从排列后的多个聚类中心中获取第一目标聚类中心；
31、根据迭代次数，从排列后的多个聚类中心中选取第二目标聚类中心；
32、根据第一公式，判断所述第一目标聚类中心与所述第二目标聚类中心的连接关系，其中，所述第一公式为：
33、
34、式中，m为第一目标聚类中心在排列后的多个聚类中心的位次，s为迭代次数，ξs为第二阈值。
35、在一种可能实现的方式中，所述储能系统包括多个电池单元，所述储能系统的剩余容量根据第二公式从多个电池单元中优化选择电池单元总数量而确定，其中，所述第二公式为：
36、ctotal-f(t)＝(r-f)*min(cr1(t))
37、式中，ctotal-f(t)为拆除f个最小容量电池单元后储能系统的容量，r为电池单元的总数量，f为拆除最小容量电池单元的总数量，为拆除拆除f个最小容量电池单元后储能系统中最小容量电池单元的容量。
38、第二方面，本专利技术实施方式提供了一种分布式微网光储荷的整合装置，用于实现如上第一方面或第一方面的任一种可能的实现方式所述的分布式微网光储荷的整合方法，所述分布式微网光储荷的整合装置包括：
39、数据获取模块，用于获取第一因素数据集以及第二因素数据集，其中，所述第一因素数据集基于影响分布式微网负荷曲线的因素获取，所述第二因素数据集基于多个光伏单元的出力特性获取；
40、负荷预测模块，用于对所述第一因素数据集进行数据预处理以提取多个负荷特征图，并将所述多个特征图输入到预测模型中，获取负荷预测值；
41、光伏出力调整模块，用于根据所述第二因素数据集对所述多个光伏单本文档来自技高网...
【技术保护点】
1.一种分布式微网光储荷的整合方法，其特征在于，包括：
2.根据权利要求1所述的分布式微网光储荷的整合方法，其特征在于，所述第一因素数据集包括历史负荷数据、温度数据以及湿度数据，所述对所述第一因素数据集进行数据预处理以提取多个负荷特征图，并将所述多个特征图输入到预测模型中，获取负荷预测值，包括：
3.根据权利要求1所述的分布式微网光储荷的整合方法，其特征在于，所述将所述历史负荷数据进行波形分解，获得低频负荷数据、中频负荷数据以及高频负荷数据，包括：
4.根据权利要求3所述的分布式微网光储荷的整合方法，其特征在于，所述所述预测模型基于卷积神经网络构建，所述卷积神经网络包括卷积层、非线性化处理层、池化层以及输出层，所述卷积神经网络接收的特征图分别经过所述卷积层、所述非线性化处理层、所述池化层以及所述输出层的卷积、非线性化处理、池化和分类等四个过程实现负荷预测；
5.根据权利要求1所述的分布式微网光储荷的整合方法，其特征在于，所述第二因素数据集包括与多个光伏单元对应的多个出力电流数据，所述多个出力电流数据基于相同的时段获取，所述根据所述第
6.根据权利要求5所述的分布式微网光储荷的整合方法，其特征在于，所述以二分法递进判断光伏单元之间的差值，包括：
7.根据权利要求1-6任一项所述的分布式微网光储荷的整合方法，其特征在于，所述储能系统包括多个电池单元，所述储能系统的剩余容量根据第二公式从多个电池单元中优化选择电池单元总数量而确定，其中，所述第二公式为：
8.一种分布式微网光储荷的整合装置，其特征在于，用于实现如权利要求1-7任一项所述的分布式微网光储荷的整合方法，所述分布式微网光储荷的整合装置包括：
9.一种分布式微网光储荷系统，其特征在于，包括：负荷、光伏发电站、储能系统以及服务器，所述服务器与所述负荷、所述光伏发电站以及所述储能系统电连接，用于根据所述多个光伏单元的出力、所述负荷预测值以及储能系统的剩余容量，调整所述储能系统的输入或输出，以平抑光伏出力的波动；
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上的权利要求1至7中任一项所述方法的步骤。
...【技术特征摘要】
1.一种分布式微网光储荷的整合方法，其特征在于，包括：
2.根据权利要求1所述的分布式微网光储荷的整合方法，其特征在于，所述第一因素数据集包括历史负荷数据、温度数据以及湿度数据，所述对所述第一因素数据集进行数据预处理以提取多个负荷特征图，并将所述多个特征图输入到预测模型中，获取负荷预测值，包括：
3.根据权利要求1所述的分布式微网光储荷的整合方法，其特征在于，所述将所述历史负荷数据进行波形分解，获得低频负荷数据、中频负荷数据以及高频负荷数据，包括：
4.根据权利要求3所述的分布式微网光储荷的整合方法，其特征在于，所述所述预测模型基于卷积神经网络构建，所述卷积神经网络包括卷积层、非线性化处理层、池化层以及输出层，所述卷积神经网络接收的特征图分别经过所述卷积层、所述非线性化处理层、所述池化层以及所述输出层的卷积、非线性化处理、池化和分类等四个过程实现负荷预测；
5.根据权利要求1所述的分布式微网光储荷的整合方法，其特征在于，所述第二因素数据集包括与多个光伏单元对应的多个出力电流数据，所述多个出力电流数据基于相同的时段获取，所述根据所述第二因素数据集对所述多个光伏单元进行聚类，并根...
【专利技术属性】
技术研发人员：刘可，王昕，刘禹彤，张文倩，韩俊，王少飞，闫涵，徐国祥，祝学年，
申请(专利权)人：国网青海省电力公司电力科学研究院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。