一种应用于微电网的风光储能方法与流程

本发明涉及微电网风光储能，特别是一种应用于微电网的风光储能方法。

背景技术：

1、随着可再生能源的快速发展，光伏发电和风力发电作为两种主要的清洁能源，已逐渐在全球范围内得到广泛应用，由于这些能源具有间歇性和波动性，难以适应电网的稳定运行。为了有效利用可再生能源并保障电网的稳定性，需要将储能技术应用在微电网中。微电网是一种集成了分布式发电、储能装置和负荷管理系统的小型电力系统，能够实现自我控制和能源管理。

2、当前的微电网存在一些不足之处，传统的电力需求预测模型多依赖于历史数据和简单的统计方法，忽略了实时数据和环境变量的动态变化，预测结果的精度较低，难以应对快速变化的电力需求。在能源调度策略方面，现有技术多采用固定规则或简单的优化算法，未能充分利用实时数据和预测结果进行动态调整。这样的调度策略在应对负荷波动和环境变化时表现出较大的局限性，往往不能及时响应电力需求的变化，导致能源分配不合理，降低了系统的整体效率。针对这些不足，我方发明提出了一种应用于微电网的风光储能方法。

技术实现思路

1、本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本技术的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

2、鉴于上述或现有技术中存在的问题，提出了本发明。

3、因此，本发明解决的技术问题是：现有技术多采用固定规则或简单的优化算法，未能充分利用实时数据和预测结果进行动态调整。

4、为解决上述技术问题，本发明提供如下技术方案：一种应用于微电网的风光储能方法，其包括通过传感器和智能设备，实时采集分布式光伏、分散式风电以及储能系统的状态数据；

5、通过机器学习算法构建短期电力需求预测模型，预测未来一定时间内的电力需求；

6、根据实时数据和预测结果，制定能源调度策略，动态调整能源的分配和调度策略。

7、作为本发明所述应用于微电网的风光储能方法的一种优选方案，其中：所述通过机器学习算法构建短期电力供需预测模型包括，

8、获取历史电力需求数据、气象预报信息以及社会媒体节假数据并进行预处理；

9、采用机器学习算法进行数据训练和优化；

10、构建短期电力需求和发电量预测模型。

11、作为本发明所述应用于微电网的风光储能方法的一种优选方案，其中：所述构建短期电力需求预测模型包括，

12、通过高斯径向基函数对输入电力数据进行非线性变换，表示为：

13、

14、其中，为第i个样本的第j个特征经过变换后的值，μj和σj分别为第j个特征的均值和标准差；

15、通过多项式变换对气象数据进行处理，表示为：

16、ψk(zi,k)＝(akzi,k+ck)d

17、其中，ψk(zi,k)为第i个样本的第k个气象数据特征经过变换后的值，ak和ck为变换系数，d为多项式的阶数；

18、通过逻辑回归函数对社会媒体节假数据进行处理，表示为：

19、

20、其中，φl(wi,l)为第i个样本的第l个社会媒体节假数据特征经过变换后的值，ηl为逻辑回归的偏置参数；

21、构建线性回归模型，捕捉电力需求和发电量的基本趋势，表示为：

22、

23、其中，β0为截距，βj为第j个特征的权重，为经过高斯径向基函数变换后的电力数据特征；

24、通过核函数处理高维数据并捕捉复杂的特征交互，表示为：

25、

26、其中，k(xi,x)为样本x与支持向量xi之间的核函数值，σ为核函数的带宽参数，∥xi-x∥2为样本间的欧氏距离；

27、将核函数与线性回归模型结合，表示为：

28、

29、其中，αi为支持向量的系数，b为偏置项；

30、结合社会媒体节假数据，表示为：

31、

32、其中，λ为调节参数，θl为第l个社会媒体节假数据特征的权重，φl(wi,l)为经过逻辑回归变换后的第i个样本的第l个社会媒体节假数据特征；

33、综合构建完整的短期电力供需预测模型，表示为：

34、

35、其中，为时间t的电力需求量预测值，t为采集的特定时间点，γ为调节参数，δk为第k个气象数据特征的权重，ψk(zi,k)为经过变换后的第i个样本的第k个气象数据特征，n为支持向量的数量，m为特征的数量，p为气象数据特征的数量，q为社会媒体节假数据特征的数量。

36、作为本发明所述应用于微电网的风光储能方法的一种优选方案，其中：所述动态调整能源的分配和调度策略包括，

37、根据实时预测结果和当前负荷情况，通过改进的粒子群优化算法制定能源调度策略；

38、通过优化结果动态调整各能源源的输出功率，通过能量管理系统完成能源分配的实时调整；

39、所述能源调度策略包括在负荷低谷时段优先储能，在负荷高峰时段释放储能系统中的能量。

40、作为本发明所述应用于微电网的风光储能方法的一种优选方案，其中：所述改进的粒子群优化算法包括，

41、初始化粒子群优化算法，设置粒子的位置和速度为随机值，速度更新公式初始化：

42、vi(0)＝ωvi(0)+c1r1(pi(0)-xi(0))+c2r2(g(0)-xi(0))

43、其中，vi(0)为粒子i在初始时刻的速度，ω为惯性权重，c1和c2为学习因子，r1和r2为取值范围为0到1之间的随机数，pi(0)为粒子i的个体最佳位置，xi(0)为粒子i在初始时刻的位置，g(0)为全局最佳位置；

44、根据预测短期电力需求值对原始速度更新公式进行改进，改进速度更新公式表示为：

45、

46、其中，γ为调整因子；vi(t)为粒子i在t时刻的速度；ω为惯性权重；为时刻t的预测短期电力需求值；pi(t)为粒子i的个体最佳位置；xi(t)为粒子i在t时刻的位置；g(t)为全局最佳位置；vi(t+1)为粒子i在t+1时刻的速度；

47、通过sigmoid函数平滑速度更新影响对位置更新公式进行改进，表示如下：

48、

49、其中，η为调整因子；

50、目标函数设定为最小化发电量和预测需求值的偏差、能量损耗及发电量的平滑影响，公式如下：

51、

52、其中，pgen(t)为时刻t的总发电量，eloss(t)为时刻t的能量损耗，λ为惩罚因子；μ为平滑因子；t是预测和调度时间范围内的总时间步数。

53、作为本发明所述应用于微电网的风光储能方法的一种优选方案，其中：所述实时采集包括，在光伏发电系统、风电发电系统和储能系统的关键节点安装传感器；配置智能监测设备，接收并记录传感器采集的数据信息；智能监测设备通过无线通信模块将数据传输至中央控制系统。

54、作为本发明所述应用于微电网的风光储能方法的一种优选方案，其中：所述采用机器学习算法进行数据训练和优化包括，通过线性回归部分进行基础预测，捕捉主要趋势；使用支持向量机核函数处理高维特征交互，提高预测精度；根据气象数据和社会媒体节假数据部分进行动态校正，调整预测结果。

55、本发明的有益效果：本发明通过结合传感器和智能设备实时采集分布式光伏、分散式风电以及储能系统的状态数据，利用机器学习算法构建短期电力需求预测模型，能够更精准地预测未来电力需求。根据实时数据和预测结果，制定动态调整的能源调度策略，提高了能源利用效率和微电网的运行稳定性。相较于现有技术，在数据采集的准确性、预测模型的精度以及调度策略的动态性方面进行了改进，能够更有效地解决现有技术中的不足。