发布信息

考虑光储接入的绿色园区生产场景的谐波发射水平预测方法与流程 专利技术说明

作者:admin      2022-11-23 13:30:23     859

计算;推算;计数设备的制造及其应用技术1.本发明涉及谐波发射水平预测方法技术领域,更具体地,涉及一种考虑光储接入的绿色园区生产场景的谐波发射水平预测方法。背景技术:2.以新能源、光伏等无环境污染的可再生能源为电能输入的绿色电力园区应用逐渐广泛。但是,随着非线性负荷接入电网,电力谐波污染日益严重,严重影响电网的供电质量。为保证用户用电质量,有效的预测谐波,让电网运维人员提前采取措施。因此,本专利考虑了光伏、储能两个对用户生产影响较大的特性,对用户生产场景进行分类后预测,有助于光伏储能系统的优化控制,减小谐波对电网、用户的影响,具有重要的工程指导意义。3.现有谐波预测的研究主要从两个方面开展工作:4.1、物理模型预测:物理模型为基础进行谐波预测,虽然能够取得比较好的预测效果,但是针对不同分析对象需要重新建立模型,所以存在泛化性差、可行性不高、实用性较低等不足。5.2、深度学习:深度学习的谐波预测能够回避建立复杂物理模型等困难工作,能够挖掘出输入数据之间深层次的潜在规律,但是现有对于深度学习的应用主要存在对于算法结构的优化,忽略了对于物理特性的提取与结合。6.对此,本发明提出将深度学习与物理模型的优点结合在一起,提出了考虑光储接入的绿色园区生产场景的谐波发射水平预测方法。技术实现要素:7.本发明的目的在于提供考虑光储接入的绿色园区生产场景的谐波发射水平预测方法,考虑了电力用户生产场景的独特性,使得当用户具有多个生产场景时,对于谐波的预测更准确。8.为达到上述目的,提供了考虑光储接入的绿色园区生产场景的谐波发射水平预测方法,包括以下步骤:9.考虑光储接入的绿色园区生产场景的谐波发射水平预测方法,包括以下步骤:10.场景分类步骤,通过考虑光伏和储能接入与用户生产场景的关联通过场景分类方法将用户生产场景分成光伏关联类和光伏不关联类;再将通过kmeans聚类法将光伏关联类进行划分获得若干个生产场景;11.谐波含量预测步骤,通过谐波预测法构建谐波预测模型;所述谐波预测模型包括遗忘门、输入门、记忆更新单元和输出门;将全部时刻对应谐波含量数据分别输入至遗忘门、输入门、记忆更新单元,最后通过输出门输出下一时刻的谐波含量的预测数据;12.所述遗忘门用于控制上一时刻的谐波含量数据输出被遗忘程度的大小;13.所述输入门用于控制该时刻的谐波含量数据输入;14.所述记忆更新单元即整合遗忘门的输出、输入门的输入,通过向量运算得到的结果用于构成下一时刻的输入部分之一;15.所述输出门基于遗忘门、记忆更新单元的向量运算可以输出下一时刻的谐波含量。16.特别的,所述场景分类方法包括以下步骤:17.a1.计算出光伏充电与用户生产场景的关联性指数;18.a2.计算出光伏充电与用户生产场景在非典型生产日的关联性指数;19.a3.通过步骤a1和步骤a2,计算光伏与用户生产场景的关联性修正指数;20.a4.根据关联性修正指数划分出某一时段光伏与用户的生产呈关联性,即关联性修正指数大于0记为光伏关联场景;某一时段光伏与用户的生产无关联性,即关联性修正指数小于等于0记为光伏非关联场景;21.a5.根据光伏关联场景和光伏非关联场景计算出储能与用户生产场景的关联性修正指数,则光伏关联类为光伏关联场景的关联性修正指数,光伏不关联类为光伏非关联场景的关联性修正指数。22.特别的,所述步骤a1中计算出光伏充电与用户生产场景的关联性指数的具体方法为:设光伏充电与用户生产场景的关联性指数为psc1(t);t表示数据序号,如公式(1)所示:[0023][0024]式中:thw为用户最短生产半周期;i为计数符号,ppv为光伏有功出力,puser表示用户有功负荷。[0025]特别的,t的最大值为96。[0026]特别的,所述步骤a2中计算出光伏充电与用户生产场景在非典型生产日的关联性指数的具体方法为:[0027]设day为选取用于预测谐波含量的已知数据的天数;将day日内的关联性指数记为则关联性指数矩阵如下:[0028][0029]分别将该矩阵的第1行、2行、…、day行记为96维的数据点,采用kmeans方法检测出离群点,即将离群点视为非典型生产日场景,记为天数dtp。[0030]特别的,所述步骤a3中计算光伏与用户生产场景的关联性修正指数,设关联性修正指数为pcor1:[0031][0032]特别的,所述步骤a4中,将t按照光伏关联场景和光伏非关联场景分为两类时间点即 tp1、tp2,记用户的储能数据为pes(tp1)、pes(tp2),[0033]考虑到储能相比光伏所提供的电能更加稳定,非典型生产日受储能的影响的较小,因此,无需通过修正指数对用户的储能生产场景进行分类。对用户的储能生产场景分类的生产场景关联性指数如下所示:[0034][0035]式中:thw为用户最短生产半周期;i为计数符号,ppv为光伏有功出力,puser表示用户有功负荷。[0036]通常,用户会在白日的上午和下午用电高峰时段使用储能的电,其余时段对储能进行充电。[0037]因此:[0038]1)采用kmeans聚类法对pes(tp1)进行聚类且分类数取k=3,实现有光照条件下的场景分类,便得到场景p1e1、p1e2、p1e3。[0039]2)记pes(tp2)为场景p2e1。[0040]即将用户的生产场景分为累计上述四个场景。[0041]特别的,所述谐波预测法包括以下步骤:[0042](1)设置谐波的预测模型,输入已有的谐波含量数据x1、x2、…xt-1至预测模型,得到下个生产时刻的ht;ht为对下一时刻的谐波含量的预测数据输出;[0043](2)设定遗忘门ft的计算公式如下所示:[0044]ft=σ(wfxt+ufht-1+bf)ꢀꢀ(5)[0045]式中:σ为sigmod函数激活函数,该函数可以将ft的值限制在-1~1之间;wf、uf为权重系数,取值均为0.5;bf为偏置项,在训练预测模型的时候多次调试确定,即验证已有的数据验证时越接近越好;[0046](3)设定输入门it的计算公式如下所示:[0047]it=σ(wixt+uiht-1+bi)ꢀꢀ(6)[0048]式中:wi、ui为为权重系数,取值均为0.5,bi为偏置项,在训练模型的时候多次调试确定,即验证已有的数据验证时越接近越好;[0049](4)设置记忆更新单元c’t、内部记忆单元ct,[0050][0051]ct=ftct-1+itc′t-1ꢀꢀ(7)[0052]式中:wc、uc为权重系数,取值均为0.5,bf为偏置向量;tmax为96,即用户前一日此刻的谐波数据,对于第一日的谐波数据为0;[0053](5)设置输出门ot;[0054][0055]式中:exp表示与输入数据xt为同一生产场景的生产时刻,根据场景分类的结果进行计算;[0056](6)输出下一时刻的谐波含量的预测数据ht:[0057]ht=ot tanh(ct)ꢀꢀ(9)。[0058]本发明的有益效果如下所示:[0059]1、本发明基于皮尔逊系数,建立了非典型生产日关联性指数矩阵,筛选了非典型用户生产日,并提出修正后的光伏与用户生产场景的关联性修正指数。实现了考虑光伏、储能对用户生产场景影响的用户生产场景分类方法。[0060]2、本发明考虑了谐波预测中的两个重要因素:1、生产日的循环性。2、生产场景的独特性。针对生产日期的循环性,本发明对预测模型中的记忆更新单元做出改进;针对生产场景的独特性,本发明对预测模型的输出门进行改进。本发明考虑了电力用户生产场景的独特性,使得当用户具有多个生产场景时,本发明对于谐波的预测更准确。附图说明[0061]为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。[0062]图1为本发明实施例的谐波预测的改进lstm模型。图2为本发明实施例的谐波预测的模型原理图。具体实施方式[0063]下面结合附图对本发明的优选实施例进行详细阐述,以使本发明的优点和特征能更易于被本领域技术人员理解,从而对本发明的保护范围做出更为清楚明确的界定。[0064]应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。[0065]需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,或者是该发明产品使用时惯常摆放的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。[0066]此外,术语“水平”、“竖直”、“悬垂”等术语并不表示要求部件绝对水平或悬垂,而是可以稍微倾斜。如“水平”仅仅是指其方向相对“竖直”而言更加水平,并不是表示该结构一定要完全水平,而是可以稍微倾斜。[0067]如图1所示,本发明实施例考虑光储接入的绿色园区生产场景的谐波发射水平预测方法,包括场景分类步骤和谐波含量预测步骤。[0068]场景分类步骤,通过考虑光伏和储能接入与用户生产场景的关联通过场景分类方法将用户生产场景分成光伏关联类和光伏不关联类;再将通过kmeans聚类法将光伏关联类进行划分;[0069]在大量光伏和储能系统接入电网的环境以及分时电价的电价制度的背景下,用户会根据电价的浮动而调整自身的生产情况,因此,本发明在皮尔逊相似度算法基础之上,建立了非典型生产日关联性指数矩阵,筛选了非典型用户生产日,并提出修正后的光伏与用户生产场景的关联性修正指数。将用户生产场景分为与光伏是否关联的两大类即ph1、ph2,采用类似的原理,考虑储能对用户生产影响的一般特性,将ph1分为三个场景即p1e1、p1e2、 p1e3,将场景ph2分为p2e1。[0070]场景分类方法包括以下步骤[0071]a1.计算出光伏充电与用户生产场景的关联性指数:[0072]计算一天内某个时刻,光伏充电与用户生产场景的关联性指数psc1(t)如公式(1),t表示数据序列,特别的,现有监测设备通常3min或者15min采集计算一次数据,本专利以采样频率为15分钟一次的监测设备为例,令光伏出力、用户负荷数据、储能充放电的数据采样频率为15分钟一次,即t的最大值为96。[0073][0074]式中:thw为用户最短生产半周期,考虑到用户生产具有连续性,如设置用户最短生产时间为h小时,则最短生产半周期thw=2h。i为计数符号,ppv为光伏有功出力, puser表示用户有功负荷。[0075]a2.计算出光伏充电与用户生产场景在非典型生产日的关联性指数:[0076]考虑到用户可能会存在非典型生产日的场景,即在该天内用户的生产与大多数生产日的场景不一样,需要将其剔除。设day用于预测谐波的已知数据的天数,分别将day日内的关联性指数记为则关联性指数矩阵如下:[0077][0078]分别将该矩阵的第1行、2行、…、day行记为96维的数据点,采用kmeans方法检测出离群点,即将离群点视为非典型生产日场景,记为天数dtp。[0079]a3.通过步骤a1和步骤a2,计算光伏与用户生产场景的关联性修正指数:[0080]设关联性修正指数为pcor1:[0081][0082]由于光伏对于用户的影响通常表现为有、无两种单值,因此,对于该指标以pcor1=0 为界限划定两个场景,如果pcor1>0则表示该时段光伏与用户的生产呈关联性,记为光伏关联场景ph1,如果pcor1≤0则表示光伏与用户的生产无关,记为光伏非关联场景ph0。[0083](2)计算储能对用户的的影响。[0084]考虑到储能相比光伏所提供的电能更加稳定,非典型生产日受储能的影响的较小,因此,无需通过修正指数对用户的储能生产场景进行分类。对用户的储能生产场景分类的生产场景关联性指数如下所示:[0085][0086]通常,用户会在白日的上午和下午用电高峰时段使用储能的电,其余时段对储能进行充电。[0087]因此:[0088]1)采用kmeans聚类法对pes(tp1)进行聚类且分类数取k=3,实现有光照条件下的场景分类,便得到场景p1e1、p1e2、p1e3。[0089]2)记pes(tp2)为场景p2e1。[0090]即将用户的生产场景分为累计上述四个场景。[0091]谐波含量预测步骤,通过谐波预测法构建谐波预测模型;所述谐波预测模型包括遗忘门、输入门、记忆更新单元和输出门;将全部时刻对应谐波含量数据分别输入至遗忘门、输入门、记忆更新单元,最后通过输出门输出下一时刻的谐波含量的预测数据。[0092]所述遗忘门用于控制上一时刻的谐波含量数据输出被遗忘程度的大小;[0093]所述输入门用于控制该时刻的谐波含量数据输入;[0094]所述记忆更新单元即整合遗忘门的输出、输入门的输入,通过向量运算得到的结果用于构成下一时刻的输入部分之一。[0095]所述输出门基于遗忘门、记忆更新单元的向量运算可以输出下一时刻的谐波含量[0096]本步骤考虑了谐波预测中的两个重要因素:1、生产日的循环性。2、生产场景的独特性。[0097]针对生产日期的循环性:对预测模型中的记忆更新单元做出改进;[0098]针对生产场景的独特性:对预测模型的输出门进行改进。[0099]谐波预测的模型如图2所示:即输入已有的数据(x1、x2、…xt-1)得到下个生产时刻的数据ht。[0100]图中,xt代表数据输入,即在时刻t监测记录的谐波含量(选择2/3/5..次中的一种), ht表示数据输出,即对下一时刻的谐波含量的预测。[0101]谐波预测法包括以下步骤:[0102](1)设置谐波的预测模型,输入已有的谐波含量数据x1、x2、…xt-1至预测模型,得到下个生产时刻的ht;ht为对下一时刻的谐波含量的预测数据输出;[0103](2)设定遗忘门ft的计算公式如下所示:[0104]ft=σ(wfxt+ufht-1+bf)ꢀꢀ(4)[0105]式中:σ为sigmod函数激活函数,该函数可以将ft的值限制在-1~1之间;wf、uf为权重系数,取值均为0.5;bf为偏置项,在训练预测模型的时候多次调试确定,即验证已有的数据验证时越接近越好。[0106](3)设定输入门it的计算公式如下所示:[0107]it=σ(wixt+uiht-1+bi)ꢀꢀ(5)[0108]式中:wi、ui为为权重系数,取值均为0.5,bi为偏置项,在训练模型的时候多次调试确定,即验证已有的数据验证时越接近越好;[0109](4)设置记忆更新单元c’t、内部记忆单元ct,[0110]记忆单元即以前的数据在预测未来中重要性的权重占比,考虑到用户的生产在生产日之间具有周期性,本专利对记忆单元进行改进,计算公式如下所示:[0111]c′t=tanh(wc(xt+xt-96)+ucht-1)ꢀꢀꢀ(6)[0112]ct=ftct-1+itc′t-1 (7)[0113]式中:wc、uc为系数矩阵,bf为偏置向量。xt-96即用户前一日此刻的谐波数据,对于第一日的谐波数据为0。[0114](4)输出门ot[0115]对于输出,本发明实施例考虑用户的生产场景对输出门做出改进,将前一日与该时刻同场景的谐波含量引入一定的权重:[0116][0117]式中:exp表示与输入数据xt为同一生产场景的生产时刻,根据场景分类的结果进行计算;[0118](5)输出下一时刻的谐波含量的预测数据ht:[0119]ht=ot tanh(ct)ꢀꢀ(9)。

相关内容 查看全部