【技术实现步骤摘要】
本专利技术属于综合能源系统优化，具体涉及一种考虑风光储协调的功率调节方法、装置、设备及介质。
技术介绍
1、随着可再生能源在全球能源结构中所占比重的不断增加，风能和太阳能作为两种主要的清洁能源，其在电力系统中的渗透率持续上升。然而，风能和太阳能的间歇性和不可预测性给电网的稳定运行带来了挑战。特别是在高比例风光接入的电网中，如何有效管理风光出力的波动和不确定性，成为亟待解决的关键问题。
2、在现有的技术中，通常采用传统的预测模型来预测风光的发电量，如基于统计的方法、时间序列分析、机器学习等。但这些模型往往存在预测精度不高、适应性不强、对复杂气象条件变化响应不足等局限。此外，风光出力的波动性与不确定性也给电网的实时调度和储能系统的调节带来了较大困难。
技术实现思路
1、本专利技术的目的在于提供提供一种考虑风光储协调的功率调节方法、装置、设备及介质，以解决现有技术中，传统的预测模型风光预测精度不足的问题。
2、为了实现上述目的，本专利技术采用如下技术方案：
3、本专利技术第一方面，提供了一种考虑风光储协调的功率调节方法，包括如下步骤：
4、获取实时风电功率相关气象数据以及实时风电功率；
5、将所述实时风电功率相关气象数据以及实时风电功率输入预先训练好的ceemdan-bilstm预测模型中，所述ceemdan-bilstm预测模型输出超短期风电预测功率；其中，所述ceemdan-bilstm预测模型包括ceemdan模型和bil
6、获取实时光伏功率相关气象数据；
7、将实时光伏功率相关气象数据输入预先训练好的pos-bp预测模型中，所述pos-bp预测模型输出超短期光伏预测功率；其中，所述pos-bp预测模型的神经网络超参数由pos算法寻优确定；
8、基于超短期风电预测功率和超短期光伏预测功率确定风光集群超短期预测功率，得到风光集群超短期预测功率曲线；确定风光集群超短期预测功率曲线与风光集群历史功率曲线之间的浮动误差；
9、统计各时刻的浮动误差，根据统计结果确定各时段浮动误差中出现概率最高的浮动误差，将出现概率最高的浮动误差的正负值与对应时刻的风光集群超短期预测功率相乘，得到储能系统日内充放电所需调节的功率值。
10、进一步的，将所述实时风电功率相关气象数据以及实时风电功率输入预先训练好的ceemdan-bilstm预测模型中，所述ceemdan-bilstm预测模型输出超短期风电预测功率；其中，所述ceemdan-bilstm预测模型按照如下方式训练：
11、获取历史风电功率相关气象数据，以及所述历史风电功率相关气象数据对应的历史风电功率数据；
12、使用ceemdan算法对历史风电功率数据进行分解，得到多个固有模态函数和一个剩余项；从多个所述固有模态函数中选择与风电功率预测相关度满足预设标准的目标固有模态函数，将所述目标固有模态函数和历史风电功率相关气象数据组合得到多维特征向量；
13、将所述多维特征向量按照时间顺序划分为多个窗口；其中，每个窗口都包含一段时间内的特征数据；
14、将所有窗口的特征数据组合形成特征矩阵，所述特征矩阵作为bilstm模型的输入；
15、将特征矩阵按照时间顺序划分训练集数据，采用反向传播算法，基于训练集数据对bilstm模型进行训练，训练完成后得到ceemdan-bilstm预测模型。
16、进一步的，所述实时风电功率相关气象数据至少包括：温度、湿度、气温和风速类型。
17、进一步的，将实时光伏功率相关气象数据输入预先训练好的pos-bp预测模型中，所述pos-bp预测模型输出超短期光伏预测功率；其中，所述pos-bp预测模型按照如下方式训练：
18、获取历史光伏功率相关气象数据，以及所述历史光伏功率相关气象数据对应的历史光伏功率数据；
19、确定预先构建好的bp神经网络；
20、初始化pso算法的全部粒子，每个粒子代表bp神经网络的一组参数；
21、计算每个粒子的适应度，并更新粒子的速度和位置，重复迭代，依据例子的适应度寻找全局最优；
22、达到迭代终止条件时，将全局最优粒子代表的参数作为最优神经网络超参数；
23、使用最优神经网络超参数初始化bp神经网络；
24、将所述历史光伏功率相关气象数据和历史光伏功率数据划分训练集，基于训练集，采用反向传播算法训练所述bp神经网络，训练完成后得到pos-bp预测模型。
25、进一步的，所述实时光伏功率相关气象数据至少包括：光照时间、日最低气温、最高气温、太阳辐射强度、温度和湿度。
26、进一步的，确定风光集群超短期预测功率曲线与风光集群历史功率曲线之间的浮动误差，包括：
27、按照下式确定浮动误差：
28、
29、其中，γ上界、γ下界分别表示风光集群超短期预测功率曲线与风光集群历史功率曲线之间相对误差百分比的上界和下界；pc(t)表示风光集群电站t时刻的功率预测值；ps(t)表示风光集群电站t时刻的发电功率实际数据。
30、进一步的，通过伯努利大数定律统计各时刻的浮动误差，确定各时段浮动误差中出现概率最高的浮动误差。
31、本专利技术第二方面，提供了一种考虑风光储协调的新能源功率调节装置，包括：
32、第一数据获取模块，用于获取实时风电功率相关气象数据以及实时风电功率；
33、风电预测模块，用于将所述实时风电功率相关气象数据以及实时风电功率输入预先训练好的ceemdan-bilstm预测模型中，所述ceemdan-bilstm预测模型输出超短期风电预测功率；其中，所述ceemdan-bilstm预测模型包括ceemdan模型和bilstm模型，所述ceemdan模型用于将实时风电功率进行分解，得到与风电功率预测相关度满足预设标准的目标固有模态函数；所述目标固有模态函数和实时风电功率相关气象数据构成多维特征向量，用于输入bilstm模型预测得到超短期风电预测功率；
34、第二数据获取模块，用于获取实时光伏功率相关气象数据；
35、光伏预测模块，用于将实时光伏功率相关气象数据输入预先训练好的pos-bp预测模型中，所述pos-bp预测模型输出超短期光伏预测功率；其中，所述pos-bp预测模型的神经网络超参数由pos算法寻优确定；
36、误差计算模块，用于基于超短期风电预测功率和超短期光伏预测功率确定风光集群超短期预测功率，得到风光集群超短期预测功率曲线；确定风光集群超短期预测功率曲线与风光集群历史功率曲线之间本文档来自技高网...
【技术保护点】
1.一种考虑风光储协调的功率调节方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的考虑风光储协调的功率调节方法，其特征在于，将所述实时风电功率相关气象数据以及实时风电功率输入预先训练好的CEEMDAN-BiLSTM预测模型中，所述CEEMDAN-BiLSTM预测模型输出超短期风电预测功率；其中，所述CEEMDAN-BiLSTM预测模型按照如下方式训练：
3.根据权利要求1所述的考虑风光储协调的功率调节方法，其特征在于，所述实时风电功率相关气象数据至少包括：温度、湿度、气温和风速类型。
4.根据权利要求1所述的考虑风光储协调的功率调节方法，其特征在于，将实时光伏功率相关气象数据输入预先训练好的POS-BP预测模型中，所述POS-BP预测模型输出超短期光伏预测功率；其中，所述POS-BP预测模型按照如下方式训练：
5.根据权利要求1所述的考虑风光储协调的功率调节方法，其特征在于，所述实时光伏功率相关气象数据至少包括：光照时间、日最低气温、最高气温、太阳辐射强度、温度和湿度。
6.根据权利要求1所述的考虑风光储协调的功
7.根据权利要求1所述的考虑风光储协调的功率调节方法，其特征在于，通过伯努利大数定律统计各时刻的浮动误差，确定各时段浮动误差中出现概率最高的浮动误差。
8.一种考虑风光储协调的新能源功率调节装置，其特征在于，包括：
9.一种电子设备，其特征在于，包括处理器和存储器，所述处理器用于执行存储器中存储的计算机程序以实现如权利要求1至7中任意一项所述的考虑风光储协调的功率调节方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有至少一个指令，所述至少一个指令被处理器执行时实现如权利要求1至7中任意一项所述的考虑风光储协调的功率调节方法。
...【技术特征摘要】
1.一种考虑风光储协调的功率调节方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的考虑风光储协调的功率调节方法，其特征在于，将所述实时风电功率相关气象数据以及实时风电功率输入预先训练好的ceemdan-bilstm预测模型中，所述ceemdan-bilstm预测模型输出超短期风电预测功率；其中，所述ceemdan-bilstm预测模型按照如下方式训练：
3.根据权利要求1所述的考虑风光储协调的功率调节方法，其特征在于，所述实时风电功率相关气象数据至少包括：温度、湿度、气温和风速类型。
4.根据权利要求1所述的考虑风光储协调的功率调节方法，其特征在于，将实时光伏功率相关气象数据输入预先训练好的pos-bp预测模型中，所述pos-bp预测模型输出超短期光伏预测功率；其中，所述pos-bp预测模型按照如下方式训练：
5.根据权利要求1所述的考虑风光储协调的功率调节方法，其特征在于，所述实时...
【专利技术属性】
技术研发人员：常泽洲，郑惠萍，常潇，邹鹏，程雪婷，薄利明，张超，王玮茹，暴悦爽，张颖，宋博，崔博然，陈鹏宇，李佩遥，张雨源，
申请(专利权)人：国网山西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。