System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind() 用于聚散型储能系统的能源出力预测方法、系统及介质技术方案_技高网

用于聚散型储能系统的能源出力预测方法、系统及介质技术方案

技术编号:42463199 阅读:12 留言:0更新日期:2024-08-21 12:50
本发明专利技术公开了一种用于聚散型储能系统的能源出力预测方法、系统及介质,本发明专利技术方法包括针对聚散型储能系统中影响聚散型储能系统能源出力的储能设备类型,提取各个储能设备类型能源出力的储能设备特征向量;采用门控循环单元GRU根据历史典型日的聚散型储能系统能源出力数据提取时序特征,得到当前时刻t的历史特征向量;综合储能设备特征向量和当前时刻t的历史特征向量,利用通过AO天鹰优化算法预先训练好的贝叶斯神经网络BNN预测得到聚散型储能系统能源出力的概率分布。本发明专利技术旨在解决传统用于聚散型储能系统的能源出力预测模型的能源出力预测方法中存在预测准确度低、稳定性差、超参数调优难度大的问题。

【技术实现步骤摘要】

本专利技术属于能源,具体涉及一种用于聚散型储能系统的能源出力预测方法、系统及介质


技术介绍

1、随着可再生能源(如风能和太阳能)在能源供应中的不断普及和增加,其波动性和间歇性给电网运行和能源管理带来挑战。储能技术作为解决可再生能源波动性问题的关键手段,不断发展壮大。聚散型储能系统通过结合多种储能技术,提供了更灵活、高效的能源管理解决方案。相较于传统储能系统,聚散型储能系统可以通过准确预测能源出力,从而优化能量管理策略,提高能源利用效率,降低能源浪费。精确预测区域内聚散型储能系统能源出力对提高聚散型储能系统的整体实施效果、促进新能源消纳具有重要意义。因此,聚散型储能系统能源出力预测方法成为电力市场主体运营决策中必须掌握的关键技术之一。

2、对于储能系统能源出力预测方法已做了大量研究,统计方法是基于对历史时间序列数据的统计分析来预测储能系统能源出力。自回归滑动平均模型(auto-regressive andmoving average, arma)和差分整合移动平均自回归模型(auto-regressive integratedmoving average, arima)是典型的统计方法arma需要平稳的时间序列,故要求输人数据必须是固定的;arima在arma的研究基础上引人了差分法,可以处理非平稳的时间序列数据。此外,统计方法还包括指数平滑法、马尔可夫链模型、回归分析法、卡尔曼滤波等。与物理方法相比,统计方法具有相对简单的建模过程。统计模型对预测时间尺度为1~6h的聚散型储能系统能源出力预测效果更好。但随着预测时间尺度的增加,统计模型的预测精准度降低。

3、基于机器学习的聚散型储能系统能源出力预测方法主要包括支持向量机(support vector machine, svm)、集成学习和极限学习机(extreme learning machine,elm)。svm基本思路是找到两个或多个类之间的最佳分离超平面且最大化分离超平面周围的边距。为打破传统支持向量机在处理数据的局限性,通过核函数优化提高模型效果,将训练数据映射到更高维的空间。svm可以在保证预测精度的同时大大降低预测的复杂度。但svm的预测性能与参数的选择密切相关,例如惩罚因子太大或太小,都会减弱svm的泛化能力。集成学习是一种监督学习算法,是通过使用多个学习器来提高弱模型预测能力的方法。典型的集成学习模型包含:串行化个体学习器的boosting、并行化个体学习器的bagging以及随机森林(random forest ,rf)。在光伏发电的预测中,集成学习由于能够减少数据噪声和模型错误的不确定性而成为最常用的算法之一。但各个弱学习器个数及模型组合策略难确定。elm模型学习速度快,泛化能力强,但是不能处理实时数据的输入,且稳定性较差。

4、基于深度学习的聚散型储能系统能源出力预测方法相较于机器学习方法,具有准确度高,鲁棒性强的特点。深度神经网络能够自动学习从输入到输出的任意复杂映射,并支持多个输入和输出。与传统的全连接神经网络相比,cnn由于采用了权重共享,减少了需要估计的参数量,但超参数调优难度较大;rnn的变体lstm、gru在新能源发电出力及其他时间序列预测上表现良好;dbn在微调过程中,由于传统bp算法的局限性,容易陷入局部最小值。


技术实现思路

1、本专利技术要解决的技术问题:针对现有技术的上述问题,提供一种用于聚散型储能系统的能源出力预测方法及系统,本专利技术旨在解决传统用于聚散型储能系统的能源出力预测模型的能源出力预测方法中存在预测准确度低、稳定性差、超参数调优难度大的问题。

2、为了解决上述技术问题,本专利技术采用的技术方案为:

3、一种用于聚散型储能系统的能源出力预测方法,包括下述步骤:

4、s101,针对聚散型储能系统中影响聚散型储能系统能源出力的储能设备类型,提取各个储能设备类型能源出力的储能设备特征向量;采用门控循环单元gru根据历史典型日的聚散型储能系统能源出力数据提取时序特征,得到当前时刻t的历史特征向量;

5、s102,综合储能设备特征向量和当前时刻t的历史特征向量,利用通过ao天鹰优化算法预先训练好的贝叶斯神经网络bnn预测得到聚散型储能系统能源出力的概率分布。

6、可选地,步骤s101之前还包括分析获取聚散型储能系统中影响聚散型储能系统能源出力的储能设备类型的步骤:分别计算聚散型储能系统中各种储能设备类型与聚散型储能系统的能源出力的相关系数,确定相关系数超过预设阈值的储能设备类型并将其出力数据生成储能设备特征。

7、可选地,所述相关系数的计算函数表达式为:

8、,

9、上式中,为第类储能设备类型与聚散型储能系统的能源出力之间的相关系数,为第类储能设备类型与聚散型储能系统的能源出力之间的直接相关系数,为第类储能设备类型与聚散型储能系统的能源出力之间的间接相关系数,其中:

10、,

11、,

12、上式中,为偏回归系数,t为每天的时刻数量,为第个时刻的第类储能设备出力数据,为第类储能设备在t个时刻的出力数据平均值,为聚散型储能系统的能源出力,为聚散型储能系统在t个时刻的能源出力平均值,为第类与第类数值储能设备出力数据之间的相关系数,为第 k类储能设备类型与聚散型储能系统的能源出力之间的直接相关系数,为第个时刻的第类储能设备出力数据。

13、可选地,所述偏回归系数的函数表达式为:

14、,

15、上式中,为第个时刻的第类储能设备出力数据,为第类储能设备在t个时刻的出力数据平均值,为聚散型储能系统的能源出力,为聚散型储能系统在t个时刻的能源出力平均值,t为每天的时刻数量。

16、可选地,步骤s101中采用门控循环单元gru根据历史典型日的聚散型储能系统能源出力数据提取时序特征是指采用级联的 l个门控循环单元gru根据历史典型日的聚散型储能系统能源出力数据提取时序特征,且其中任意第 l个门控循环单元gru的输入向量的函数表达式为:

17、

18、上式中,为第 l个门控循环单元gru的输入向量,concat为拼接操作,为第个时刻的储能设备特征向量,为第个时刻的聚散型储能系统的能源出力;任意第 l个门控循环单元gru计算复位门、更新门和隐藏层的隐藏状态以及候选隐藏状态的函数表达式为:

19、,

20、,

21、,

22、,

23、上式中,为sigmoid激活函数,为当前时刻的输入和前一个隐藏层状态的汇总,为第个门控循环单元隐藏层的输出,为双曲正切激活函数,、和分别为复位门、更新门和隐藏层的权值矩阵;且以第 l个门控循环单本文档来自技高网...

【技术保护点】

1.一种用于聚散型储能系统的能源出力预测方法,其特征在于,包括下述步骤:

2.根据权利要求1所述的用于聚散型储能系统的能源出力预测方法,其特征在于,步骤S101之前还包括分析获取聚散型储能系统中影响聚散型储能系统能源出力的储能设备类型的步骤:分别计算聚散型储能系统中各种储能设备类型与聚散型储能系统的能源出力的相关系数,确定相关系数超过预设阈值的储能设备类型并将其出力数据生成储能设备特征。

3.根据权利要求2所述的用于聚散型储能系统的能源出力预测方法,其特征在于,所述相关系数的计算函数表达式为:

4.根据权利要求3所述的用于聚散型储能系统的能源出力预测方法,其特征在于,所述偏回归系数的函数表达式为:

5.根据权利要求1所述的用于聚散型储能系统的能源出力预测方法,其特征在于,步骤S101中采用门控循环单元GRU根据历史典型日的聚散型储能系统能源出力数据提取时序特征是指采用级联的L个门控循环单元GRU根据历史典型日的聚散型储能系统能源出力数据提取时序特征,且其中任意第l个门控循环单元GRU的输入向量的函数表达式为:

6.根据权利要求1所述的用于聚散型储能系统的能源出力预测方法,其特征在于,步骤S102中利用通过AO天鹰优化算法预先训练好的贝叶斯神经网络BNN预测得到聚散型储能系统能源出力的概率分布包括:

7.根据权利要求1所述的用于聚散型储能系统的能源出力预测方法,其特征在于,步骤S101之前还包括采用AO天鹰优化算法训练贝叶斯神经网络BNN以用于根据储能设备特征向量和当前时刻t的历史特征向量预测得到聚散型储能系统能源出力的概率分布,且训练贝叶斯神经网络BNN时包括采用AO天鹰优化算法优化贝叶斯神经网络BNN的参数,包括学习率、隐藏节点数以及训练批次大小。

8.一种用于聚散型储能系统的能源出力预测系统,包括相互连接的微处理器和存储器,其特征在于,所述微处理器被编程或配置以执行权利要求1~7中任意一项所述用于聚散型储能系统的能源出力预测方法。

9.一种计算机可读存储介质,该计算机可读存储介质中存储有计算机程序/指令,其特征在于,该计算机程序/指令被编程或配置以通过处理器执行权利要求1~7中任意一项所述用于聚散型储能系统的能源出力预测方法。

10.一种计算机程序产品,包括计算机程序/指令,其特征在于,该计算机程序/指令被编程或配置以通过处理器执行权利要求1~7中任意一项所述用于聚散型储能系统的能源出力预测方法。

...

【技术特征摘要】

1.一种用于聚散型储能系统的能源出力预测方法,其特征在于,包括下述步骤:

2.根据权利要求1所述的用于聚散型储能系统的能源出力预测方法,其特征在于,步骤s101之前还包括分析获取聚散型储能系统中影响聚散型储能系统能源出力的储能设备类型的步骤:分别计算聚散型储能系统中各种储能设备类型与聚散型储能系统的能源出力的相关系数,确定相关系数超过预设阈值的储能设备类型并将其出力数据生成储能设备特征。

3.根据权利要求2所述的用于聚散型储能系统的能源出力预测方法,其特征在于,所述相关系数的计算函数表达式为:

4.根据权利要求3所述的用于聚散型储能系统的能源出力预测方法,其特征在于,所述偏回归系数的函数表达式为:

5.根据权利要求1所述的用于聚散型储能系统的能源出力预测方法,其特征在于,步骤s101中采用门控循环单元gru根据历史典型日的聚散型储能系统能源出力数据提取时序特征是指采用级联的l个门控循环单元gru根据历史典型日的聚散型储能系统能源出力数据提取时序特征,且其中任意第l个门控循环单元gru的输入向量的函数表达式为:

6.根据权利要求1所述的用于聚散型储能系统的能源出力预测方法,其特征在于,步骤s102中...

【专利技术属性】
技术研发人员:俞乾谢学渊陈浩谢林瑾徐勇黄博文吴香向运琨曾麟刘学邓毅波
申请(专利权)人:国网湖南综合能源服务有限公司
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 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。

1