【技术实现步骤摘要】
本专利技术属于能量管理，具体涉及一种综合能源系统能量管理模型预测控制方法。
技术介绍
1、以光伏、风电为代表的可再生能源系统因其清洁环保无污染等优势逐步占据市场份额，包含可再生能源发电的综合能源系统渐次发展，提高能源整体使用效率，大力发展以光伏、风电为代表的清洁能源成为必然选择。综合能源系统能量管理系统(energymanagement system,ems)负责能源系统在联网或孤岛运行模式下的安全、可靠、经济运行，根据电力市场信息和电网环境信息优化内部能源的使用，以最小的成本安全可靠地向负荷提供电能的需求质量。由于光伏等可再生能源发电固有的间歇性与波动性，对综合能源调度更新率要求极高，导致能量管理的任务更具挑战性。
技术实现思路
1、针对现有技术存在的缺陷和不足，本专利技术提供一种综合能源系统能量管理模型预测控制方法。基于包含光伏发电，储能电池，基础负荷的并网型综合能源系统，模型预测控制方法是一种基于状态量及干扰量的模型预测控制方法，构建综合能源系统的预测模型对干扰量包括负荷量、光伏发电量进行1小时时间尺度的预测，通过实时估计储能电池soc变化，以综合能源系统经济成本最小化为目标函数，引入逻辑变量及辅助变量，将目标函数及约束条件化简成为混合整数规划模型并求解，对于干扰量存在的预测误差，采取前馈控制进行误差补偿。该方法有效减少可再生能源和负荷预测的波动性对系统调度的影响，提高能量管理系统稳定性。
2、模型预测控制(model predictive control，mpc
3、本专利技术解决其技术问题具体采用的技术方案是：
4、一种综合能源系统能量管理模型预测控制方法，基于包含光伏发电，储能电池，基础负荷的并网型综合能源系统，并采用基于状态量及干扰量的模型预测控制方法：构建综合能源系统的预测模型对干扰量包括负荷量、光伏发电量进行1小时时间尺度的预测，通过实时估计储能电池soc变化，以综合能源系统经济成本最小化为目标函数，引入辅助变量，将目标函数及约束条件化简成为混合整数规划模型并求解；对于干扰量存在的预测误差，采取前馈控制进行误差补偿。
5、进一步地，包括以下步骤：
6、步骤s1：获取历史负荷数据、光伏历史出力数据和历史气象数据，对数据进行预处理，构建预测数据集；
7、步骤s2：构建cnn-bilstm-attention预测模型，对输入数据集进行训练并保存模型；
8、步骤s3：选取典型日，对调度时间段内的负荷数据、光伏出力数据进行预测；
9、步骤s4：建立日前调度，以24h作为调度时段，结合预测信息，以综合能源系统运行成本最小化作为目标函数，结合综合能源系统运行约束条件，引入逻辑变量及辅助变量，将目标函数及约束条件化简为混合整数规划模型，采用yamlip建模并求解调度时段经济性最优方案；
10、步骤s5：在步骤s4的基础上加入滚动优化环节，并进行反馈校正，输入光伏发电、负荷需求的预测信息，以未来24h作为调度时段，滚动优化时域为1h，建立兼顾系统经济性和储能电池耐久性的能量管理调度模型；
11、步骤s6：通过误差补偿的方式，增加前馈控制，实时监测发电端和用户端，以分配预测误差值，调整实时出力以达到系统功率平衡，进一步提升系统稳定性。
12、进一步地，步骤s1具体包括以下步骤：
13、首先，对数据集中的异常数据进行检测与处理，以保证数据的有效性和完整性；针对部分帧的异常数据，采用插补法的k近邻法来修正异常数据，当缺失的数据较多且时间尺度较大，无法采用k近邻法修正数据，则采用相似日的数据填充，或在保证样本充足的前提下删除当天数据；
14、其次，对数据进行最大最小归一化处理：
15、
16、式中，x′表示归一化处理后的数据，xmin表示数据样本的最小值，xmax表示数据样本的最大值。
17、需要注意的是，经预测模型输出数据还需反归一化处理转化为实际数值。
18、进一步地，步骤s2的基于cnn-bilstm-attention混合深度学习模型的功率预测模型中，cnn层数和bilstm层数根据预测效果调整；预测流程如下：
19、(1)输入的训练数据集首先经过cnn卷积层处理，提取多种不同类型和尺寸的特征，采用relu激活函数拟合复杂函数关系，通过池化层对卷积层传来的矩阵数据进行降维处理，以减少输出数据的尺寸和复杂度；
20、(2)cnn输出的信息先经过flatten层将高维特征矩阵转为1维向量，然后输入到bilstm网络结构层中，以同时挖掘过去和未来的时序数据特征；
21、(3)通过attention机制将bilstm的输出与一个可学习的权重向量进行加权，对关联度更高的特征赋予更高的权重；
22、(4)通过全连接层对上一层输出结果处理，输出最终的预测结果。
23、进一步地，在步骤s3中，根据气象站预测的预测日的总水平辐射、风速气象数据，结合相似日样本的相邻2日的光伏发电功率作为输入向量，预测未来一天的发电功率。
24、进一步地，步骤s4中的目标函数为：
25、
26、
27、cuti_bat＝mbat|pbat(t)|
28、式中，call表示一个调度周期内系统总的运行成本，pgrid(t)表示t时刻系统与大电网的交互功率，sbuy(t)表示t时刻大电网购电电价，ssell(t)表示t时刻向大电网售电电价，cuti_bat(t)表示t时刻储能电池发电维护成本，|pbat(t)|表示t时刻储能电池进行功率交换的绝对值，mbat表示储能电池发电维护系数；
29、建立的约束条件包括：
30、(1)功率平衡约束
31、pload(t)＝ppv(t)+pbat(t)+pgrid(t)
32、式中，pload(t)表示t时预测的负荷功率，pbat(t)表示t时的储能电池充放电功率；
33、(2)储能电池充放电功率和功率波动约束
34、
35、式中，pbat_charge_max表示充电最大功率，pbat_discharge_max表示放电最大功率，δpmax表示功率波动的上限；
36、(3)储能电池荷电状态约束
37、
38、式中，so本文档来自技高网...
【技术保护点】
1.一种综合能源系统能量管理模型预测控制方法，其特征在于：基于包含光伏发电，储能电池，基础负荷的并网型综合能源系统，并采用基于状态量及干扰量的模型预测控制方法：构建综合能源系统的预测模型对干扰量包括负荷量、光伏发电量进行1小时时间尺度的预测，通过实时估计储能电池SOC变化，以综合能源系统经济成本最小化为目标函数，引入逻辑变量及辅助变量，将目标函数及约束条件化简成为混合整数规划模型并求解；对于干扰量存在的预测误差，采取前馈控制进行误差补偿。
2.根据权利要求1所述的综合能源系统能量管理模型预测控制方法，其特征在于，包括以下步骤：
3.根据权利要求2所述的综合能源系统能量管理模型预测控制方法，其特征在于：
4.根据权利要求2所述的综合能源系统能量管理模型预测控制方法，其特征在于：
5.根据权利要求4所述的综合能源系统能量管理模型预测控制方法，其特征在于：在步骤S3中，根据气象站预测的预测日的总水平辐射、风速气象数据，结合相似日样本的相邻2日的光伏发电功率作为输入向量，预测未来一天的发电功率。
6.根据权利要求5所述的综合能源
7.根据权利要求6所述的综合能源系统能量管理模型预测控制方法，其特征在于：在步骤S5中，与日前调度对比，同样以未来一天为预测时段，加入滚动优化与反馈机制，并设定预测时域，通过滚动优化求解只选取每个采样周期的最优控制方案中储能电池的功率调度的第一个时刻的值作用于整个系统，并以该值计算得到的系统下一状态作为系统下一时刻的初始状态。
8.根据权利要求7所述的综合能源系统能量管理模型预测控制方法，其特征在于：
...【技术特征摘要】
1.一种综合能源系统能量管理模型预测控制方法，其特征在于：基于包含光伏发电，储能电池，基础负荷的并网型综合能源系统，并采用基于状态量及干扰量的模型预测控制方法：构建综合能源系统的预测模型对干扰量包括负荷量、光伏发电量进行1小时时间尺度的预测，通过实时估计储能电池soc变化，以综合能源系统经济成本最小化为目标函数，引入逻辑变量及辅助变量，将目标函数及约束条件化简成为混合整数规划模型并求解；对于干扰量存在的预测误差，采取前馈控制进行误差补偿。
2.根据权利要求1所述的综合能源系统能量管理模型预测控制方法，其特征在于，包括以下步骤：
3.根据权利要求2所述的综合能源系统能量管理模型预测控制方法，其特征在于：
4.根据权利要求2所述的综合能源系统能量管理模型预测控制方法，其特征在于：
...
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。