基于生物质电厂孤岛运行模式下可再生能源微电网的设备出力预测方法与流程

：本发明属于生物质电厂成本优化，具体涉及了一种基于生物质电厂孤岛运行模式下可再生能源微电网的设备出力预测方法。

背景技术

0、
背景技术：

1、由于世界各地的城市化和人口增长，碳排放正在增加。专家学者一致认为，这些排放是气候变化和全球变暖的主要原因之一。电力行业正在转向可再生能源，如光伏发电，并采用不同的储能系统，以实现清洁能源的发展，弥补化石燃料的稀缺。然而，可再生资源的间歇性行为造成了一些障碍，如功率波动、投入额外的备用机组和甩负荷。其次，生物质发电技术的兴起作为一种稳定的可再生能源发电技术已经日渐成熟，为了分析以某一生物质电厂为中心的区域孤岛电网的优化运行却难以分析。微电网技术是一种很有前途的解决方案，可以将不同的可再生能源和负载集成到电网中。在储能系统容量有限的情况下，在孤岛模式下运行微电网需要复杂的调度方法。但是以往对微电网的研究都是针对运营问题，忽略了供需的不确定性或仅仅考虑最坏的运行情况。然而，一方面不确定性是电力系统的固有属性；另一方面，考虑最坏的运行情况则会导致不必要地增加运营和规划成本，造成资源地浪费。

技术实现思路

0、
技术实现要素：

1、鉴于上述问题，本发明提供了一种基于生物质电厂孤岛运行模式下可再生能源微电网的设备出力预测方法，包括，

2、建立以概率密度函数形式预测短期的光伏发电量的光伏功率预测模型，并得到预测的概率密度函数；

3、建立两阶段随机优化模型，将上述预测的概率密度函数输入两阶段随机优化模型计算两阶段最优成本在满足第一和第二两阶段约束条件的情况下，使得目标函数最小的各个设备出力，实现可再生能源微电网的当前时间对未来时间设备的最优调度决策。

4、进一步的，所述的光伏功率预测模型通过如下步骤建立，

5、(1)构建观测数据的二元概率分布；

6、(1-1)获取历史光伏出力数据；

7、(1-2)使用k-means聚类算法将历史光伏出力数据聚类到k个簇中，得到聚类后每个簇的光伏功率；

8、(1-3)根据光伏功率建立每个簇的二维直方图(即某时刻的某功率下的概率)，采用kolmogorov-smirnov检验(k-s检验)，验证二维直方图中的概率分布是否最优，根据验证结果生成集群k中的不同时刻的原始的概率密度函数；

9、(2)构建人工神经网络

10、(2-1)将气天气参数、时间常数n及步骤1)中聚类处理后的历史光伏出力数据进行归一化处理，输入到人工神经网络ann中，得到去归一化后的各个簇各个时间的预测功率数据；

11、(2-2)根据预测功率数据采用上述(1-3)的方式生成预测的概率密度函数。

12、进一步的，其中，构建观测数据的二元概率分布，具体步骤如下，

13、步骤1：将历史光伏出力数据的观测数据的n个值输入到矩阵s中：

14、s＝[s1 s2......sn]                      (1)

15、其中，sn是在时间常数n∈1,2,……,n处观察到的光伏发电功率pwt，其中时间常数表示第几个小时。

16、步骤2：使用k-means聚类算法以聚类的形式表示数据，将具有相似属性的数据点分组到一个簇中；在此步骤中，将s中数据被聚类到k个簇中；由于光伏功率范围介于0和其最大记录输出值之间，因此不应随意确定簇数k；实际上，应谨慎选择。最佳簇数k是满足最小误差平方和(sse)的值，sse是集合中每个元素之间的平方距离与该集合的相应平均值之和，如式(2)所示：

17、

18、其中，mj是sj的平均值，sj是由簇j表示的s的子群。

19、将式(2)中的sse作为最优簇数k的度量，对不同的k值进行计算，并在ds的强拐点确定最优k；在该步骤结束时，s中的数据将被相应的簇替换，从而产生聚类后的数据簇s′；

20、步骤3：对聚类后的每一个簇都得到一个二维(2d)直方图；二维直方图显示了在相应的时间常数h下满足光伏功率值p的频率；簇j的每个二维直方图的点(频率)的计算方法如式(3)所示：

21、

22、其中，ξ为第j簇在h时功率为p的频数，p在第j簇所有功率的集合中，n取值为1-24小时；

23、获得二维直方图后，对h处观测到的中的值进行kolmogorov-smirnov检验(k-s检验)；该检验用于寻找最合适的概率分布，有效地拟合观测数据。

24、进一步的，步骤3中所述的k-s检验为拿样本数据与所计算的理论分布进行对比，如果差异不大，则可以认为数据服从正态分布，为的概率密度函数；计算的理论分布累计概率与样本数据累积概率之差dn如式(4)所示：

25、

26、其中，f0(x)为理论分布累计概率，fn(x)为样本数据累积概率；

27、若dn>d，则不是最适合的概率分布，需重新计算，其中d为允许的差值；通过得到二维直方图和适当的分布函数，在每个簇的每个小时都会得到观测数据的概率密度函数。

28、进一步的，所述两阶段随机优化模型中优化问题包括两个阶段；第一阶段为当前时刻h＝0的变量，第二阶段为h＝1,2,…,n的未来可能情况的变量。

29、进一步的，所述两阶段随机优化模型建立，包括如下步骤，

30、s1:将上述得到的概率密度函数进行场景生成，并计算每个场景发生的概率；

31、s2:将场景发生的概率值作为系数，建立两阶段优化问题的目标函数及约束条件，进而生成两阶段随机优化模型。

32、进一步的，步骤s1中，每个h有χh个可能的光伏功率的值，场景数由式(5)表示：

33、

34、进一步的，步骤s1中,每个场景发生的概率值ρτ，通过如下公式计算：

35、

36、其中，τ表示场景，为情形τ中时间常数为h时刻的光伏发电量。

37、进一步的，步骤s2中两阶段随机优化问题的目标函数如下，

38、

39、其中，cchp,0为优化时刻(第一阶段，h＝0时)热电联产机组的出力成本，λcur和λens分别为缩减可再生能源pv功率和减负荷的成本。pcur,0和pens,0分别为优化时刻(第一阶段，h＝0时)的缩减可再生能源光伏功率和减负荷功率。h为时间常数∈h＝1,2,…,n，其中n为优化中考虑的未来时间常数。和分别为情景τ下未来时间常数h时热电联产机组的发电成本、光伏削减功率和减负荷功率。

40、进一步的，步骤s2中两阶段随机优化问题的约束条件包括第一阶段约束条件与第二阶段约束条件，其中，

41、第一阶段约束条件包括功率平衡约束、热电联产机组电出力上下限约束、热电联产机组段的电出力约束及储能系统的充放电约束；

42、第二阶段约束条件包括热电联产机组电出力上下限约束、热电联产机组lth段的电出力约束及储能系统的充放电约束。

43、本方案充分考虑了生物质电厂孤岛运行模式下可再生能源微电网不确定性和负荷波动情况下，以随机场景的形式描述可再生能源微电网的不确定性和波动特性，并且根据可再生能源微电网的不确定性和波动特性，找到一种可以孤岛运行时不增设其他供能设备或最小削减负荷所需的机组出力，在满足第一和第二两阶段约束条件的情况下，使得目标函数最小的各个设备出力。对达到节能减排的目的，实现可再生能源微电网的当前时间对未来时间设备的最优调度决策。