分布式智能制造能源供给系统及方法

本发明涉及智能算法以及预测，具体涉及一种分布式智能制造能源供给系统及方法。

背景技术：

1、自二十一世纪以来，随着世界面临能源枯竭的危机，新能源的开发迫在眉睫。因此，可再生能源发电是新能源发展的核心，风电、光伏是在技术和成本上最具有竞争力的新能源形式。尽管短期新能源还无法替代传统化石能源，但是世界资源的供需紧以及全球为应对气候变化而对温室气体排放所做的限制，为新能源发展铺就了宽广的道路。然而，由于风电、光伏发电具有不确定性、随机性和波动性的特点，严重影响了大规模光伏并网中电网的正常运行。此外目前很多偏远地区以及环境恶劣地区无法设置电线电缆。

技术实现思路

1、发明目的：为了克服现有技术的不足，本发明提供一种适用于偏远地区的分布式智能制造能源供给系统，该系统可以解决现有技术中供电不稳定以及无法给负荷及时充电的问题，本发明还提供一种分布式智能制造能源供给方法。

2、技术方案：本发明所述的一种分布式智能制造能源供给系统，该系统包括：风功率预测模块、光伏预测模块、电网、分解模块和混合储能模块；

3、所述风功率预测模块将从风电站收集的实时风能、天气、温度，根据风电站历史和测量数据采用神经网络模型进行预测，预测三种不同天气条件下的风电功率，

4、光伏预测模块将从光伏电站收集的实时光伏、天气、温度，根据光伏电站历史和测量数据采用神经网络模型进行预测，预测三种不同天气条件下的光伏功率；

5、将预测得到的风电功率和光伏功率输入到电网中，得到对应的电压和电流；

6、根据光伏功率、风电功率和电压功率设置优化目标函数，输入到分解模块中，得到更加稳定的光伏输出功率、风电输出功率，从而对混合储能模块进行充电，对置于偏远地区的工厂放电，且所述混合储能模块包含传统电池和超级电容，其将储存的电量给工厂充电。

7、进一步的，包括：

8、所述风功率预测模块和光伏预测模块采用的网络模型为elman神经网络；

9、天气根据云量分为晴天、阴天和雨天三类，根据辐照度、辐照持续时间、温度和相对湿度来构建气象特征向量，表示为xi＝[ii,ti,hi,li]；

10、其中，ii是平均辐照度，ti是平均温度，hi是平均相对湿度，li是辐照持续时间；

11、选择相似的日子来查找与要预测的日子具有相似天气因素的历史日子，将相似天数的风电功率或光伏功率作为待预测天数的输入特征，然后对对应的预测模型进行训练。

12、进一步的，包括：

13、所述优化目标函数表示为：

14、

15、其中，t表示预测周期时间，eerror表示供能误差，cuse表示综合成本，λ1、λ2、k1、k2、k3、k4为权重，i、u表示为电流和电压，ppv、pw分别表示为光伏功率和风电功率。

16、进一步的，包括：

17、所述分解模块对应的分解约束表示为：

18、

19、

20、上式中:{uk},{ωk}为分解后第k个模态分量表达式和中心频率；参数k是模态分解个数，不合理的k值导致风电功率和光伏功率的过度分解或分解不足，影响并网效果，δ(t)代表狄克拉函数，*为卷积操作符，分解所得所有模态分量与待处理负荷序列f(t)一致；

21、运用vmd技术可以减弱相当大部分噪声，降低信号的非平稳性，然后分解得到多组具有固有模态函数(imf)。

22、运用lagrange算子解决k值分配不合理的问题，公式如下：

23、

24、式中：λ为lagrange算子；β是二次惩罚因子，惩罚因子决定着imf分量的带宽，惩罚系数越小，各imf分量的带宽越大，过大的带宽会使得某些分量包含其他分量信号；β值越大，各imf分量的带宽越小，过小的带宽是使得被分解的信号中某些信号丢失。

25、进一步的，包括：

26、运用admm寻优迭代得到所述第k个模态分量表达式uk以及各自的模态频率ωk和lagrange算子λ：

27、

28、

29、

30、式中：其中，γ是噪声容忍度，满足vmd信号分解的保真度要求，ui(ω)、f(ω)和λ(ω)进行傅里叶变换后得到ui(t)、f(t)、λ(t)。

31、进一步的，包括：

32、所述分解模块采用vmd算法进行信号分解，具体包括：

33、首先，对λ1进行初始化，将n作为最大迭代次数；

34、利用公式(3)和(4)对参数uk、ωk更新；接着采用公式(5)对参数λ进行更新；

35、运用精度收敛判据ε>0使得结果满足要求，当判据不满足且n<n时，继续更新相关参数，否则，结束算法，输出模态分量和中心频率的结果，n为当前迭代次数。

36、进一步的，包括：

37、采用粒子群算法对所述vmd算法的两个影响参数惩罚参数α和模态分量的个数k进行同步寻优：

38、假设在一个d维空间中，由m个粒子组成种群x＝(x1,x2,…,xm)，第i个粒子在d维空间里的位置为xi＝(xi1,…,xid)，第i个粒子速度为vi＝(vi1,vi2,…,vid)，个体局部极值为pi＝(pi1,pi2,…,pid)，整个种群全体极值g＝(g1,g2,…,gd)每个粒子通过个体局部极值和种群全部极值更新迭代自身位置和速度；

39、

40、

41、式中：ω为惯性权重；d＝1,2...,d；i＝1,2,...,m，b1，b2是加速因子，δ为[0,1]之间随机数。

42、得到的零均值信号包络熵可用如下式表示：

43、

44、

45、式中:pi为a(i)归一化形式；χ(i)经hilbert解调后得到的包络信号为a(i)，包络熵值越大，分解得到的imf分量噪声信号较少，则输出功率更加稳定。

46、利用粒子群算法计算粒子于一处位置，即对应一组参数组合α和k，由vmd分解得到所有的imf分量包络熵值，并取所有当中最小的一个为局部极小熵值，与此值相对应分量即为包含负荷序列局部特征信息最佳的分量，将适应度值设定为寻优过程中出现的局部极小熵值，最小化此值作为最佳寻优目标，则就是对两个参数进行的寻优。

47、另一方面，本发明还提供一种分布式智能制造能源供给方法，该方法包括以下步骤：

48、s1所述风功率预测模块将从风电站收集的实时风能、天气、温度，根据风电站历史和测量数据采用神经网络模型进行预测，得到不同天气条件下的风电功率；

49、s2光伏预测模块将从光伏电站收集的实时光伏、天气、温度，根据光伏电站历史和测量数据采用神经网络模型进行预测，得到不同天气下的光伏功率；

50、s3将预测得到的风电功率和光伏功率输入到电网中，进而得到电压和电流；

51、s4根据光伏功率、风电功率和电压功率设置优化目标函数，输入到分解模块中，得到更加稳定的光伏输出功率、风电输出功率，从而对混合储能模块进行充电，对置于偏远地区的工厂放电，且所述混合储能模块包含传统电池和超级电容，其将储存的电量给工厂充电。

52、进一步的，包括：

53、所述步骤s4中，优化目标函数表示为：

54、

55、其中，t表示预测周期时间，eerror表示供能误差，cuse表示综合成本，λ1、λ2、k1、k2、k3、k4为权重，i、u表示为电流和电压，ppv、pw分别表示为光伏功率和风电功率；

56、所述分解模块对应的分解约束表示为：

57、

58、

59、上式中:{uk},{ωk}为分解后第k个模态分量表达式和中心频率；参数k是模态分解个数，不合理的k值导致风电功率和光伏功率的过度分解或分解不足，影响并网效果，δ(t)代表狄克拉函数，*为卷积操作符，分解所得所有模态分量与待处理负荷序列f(t)一致；

60、运用lagrange算子解决k值分配不合理的问题，公式如下：

61、

62、式中：λ为lagrange算子；β是二次惩罚因子，惩罚因子决定着imf分量的带宽，惩罚系数越小，各imf分量的带宽越大，过大的带宽会使得某些分量包含其他分量信号；β值越大，各imf分量的带宽越小，过小的带宽是使得被分解的信号中某些信号丢失。

63、进一步的，包括：

64、运用admm寻优迭代得到所述第k个模态分量表达式uk以及各自的模态频率ωk和lagrange算子λ：

65、

66、

67、

68、其中，γ是噪声容忍度，满足vmd信号分解的保真度要求，ui(ω)、f(ω)和λ(ω)进行傅里叶变换后得到ui(t)、f(t)、λ(t)。

69、有益效果：(1)本发明提出一种分布式智能制造能源供给系统，通过绿色分布式系统预测收集实时的信息，为智能制造能源供给系统提供基础；(2)本发明提出一种分布式智能制造能源供给系统，通过改进的vmd算法优化调度绿色能源的输入参数电压电流、风电功率、光伏功率，能够快速稳定的进行动态变化的供电，还可以避免设置电线电缆；(3)本发明能够将混合储能系统中储存的电池给负荷充电，能够在天气环境不好时及时给负荷充电。