技术领域
[0001] 本发明属于光储联合运行优化领域，具体为一种光储电站运行协同优化方法及系统。
相关背景技术
[0002] 在传统化石能源供应逐年紧张，环境污染问题持续增加的大环境下，发展可再生能源已成为当前的重中之重。光伏发电有着低碳环保、储量充足、安全可靠等优点，有着良好的发展前景。
[0003] 然而，光伏发电有着间歇性强、波动性、可控性弱等特点，随着在电网中渗透率的增加，光伏发电会大量占用电网系统热备用，影响电网安全稳定经济运行。随着光伏装机容量的增加，有些地区弃光现象逐年严重。储能有着平抑功率波动，快速有效地补偿调节光伏出力，增强光伏电站的发电可控性，提高计划跟踪能力，提高电网对光伏发电的接纳能力，从而降低弃光率。
[0004] 由此可以预见，光储电站是未来大容量光伏电站的发展方向。但目前基于光储电站上网价格政策进行投资可行性条件时，现有的方法计算目标函数时，对于数据量大、不确定性大的光储出力数据而言，存在算法编程复杂，运算效率不高，对初始参数依赖性较强等问题，尤其是计算结果不准确，不利于帮助发电企业做出合理的建设规划，降低投资者建设的积极性。
具体实施方式
[0146] 为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
[0147] 需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0148] 如图1所示，本发明第一个目的是提供一种光储电站运行协同优化方法，包括如下步骤：
[0149] S1，获取光储电站的实际出力数据；
[0150] S2，基于光储电站实际出力数据，对光储电站的实际出力数据曲线进行聚类划分，将聚类中心作为光储电站的预测出力数据；
[0151] S3，构建光储电站运行目标函数，光储电站运行目标函数包括光储电站发电收入、运行损耗成本、考核奖惩收益和参与辅助服务收益；
[0152] S4，确定所述光储电站运行目标函数的约束条件，约束条件包括光储电站功率平衡约束条件、储能系统功率约束条件、储能系统荷电状态约束条件及储能系统容量约束条件；
[0153] S5，将所述实际出力数据与所述预测出力数据共同作为输入，求解光储电站运行目标函数，得到光储电站收益指标，基于光储电站收益指标生成运行协同优化方案。
[0154] 本发明设计主要针对当今光储电站数据收集的实时性，无限性，数据量庞大等特点，采用SOINN神经网络能够动态的，增量式的发现数据流中出现的新模式并进行学习，并且不影响之前已经学习的结果，从而解决上述数据问题。本发明可有效减少光储电站数据处理的时间，增加光储电站实际出力数据的实时性，准确性，从而进一步准确获得光储电站最佳运行协同优化方案。
[0155] 在光储电站运行数据中，光伏出力数据有着时序性，数据量庞大，无限性等特点，传统的方法是一次性收集所有的光伏出力数据再进行光储电站的数据分析以及模型的建立，然而在实际应用中，光伏出力数据通常不可能一次全部得到，而是随着时间逐步得到的，并且数据样本反应的信息也可能随着时间产生了变化。如果新的光伏出力数据到达后要重新学习全部之前的数据，需要消耗大量时间和空间。因此，建立合理的增量学习神经网络可以大大减少训练数据规模，减少训练模型的计算开销，从而构建出更加合理的光储电站出力数据。
[0156] 下面结合具体实施例对本发明的内容进行详细的说明。
[0157] 如图1所示为本发明提供的一种光储电站运行协同优化方法的流程图；一种光储电站运行协同优化方法，包括以下步骤：
[0158] S1，获取光储电站的出力数据，所述出力数据由采集终端采集，所述光储电站数据包括储能总有功出力数据、光伏总有功出力数据、光伏储能总有功出力数据及不同天气光储电站出力数据如图2，3，4所示。
[0159] S2，基于光储电站出力数据，利用SOINN神经网络(自组织增量学习神经网络)对光储电站的出力曲线进行自适应聚类分析并求取聚类中心作为光伏预测出力数据。
[0160] 在建立光伏预测出力数据时，不同于运用比较广泛的监督学习聚类算法例如K‑means算法、DBSCAN算法，SOINN神经网络算法能够在没有先前知识的情况下采用非监督学习自适应的对动态数据进行在线聚类和拓扑，对于已学习过的数据，SOINN神经网络能够在不影响之前学习结果的同时，发现数据中的新模式并进行学习。对于数据量大，不确定性大的光储出力数据而言，能够提高聚类的准确性，大大减少处理光伏出力数据的时间。建立光储电站收益指标模型时，综合考虑了光储电站发电收益，参与辅助服务收益，光储电站运行损耗成本，光储电站预测误差考核成本，以最大收益为目标运用灰狼算法能够提升求解的精度以及收敛速度，最终能够为光储电站的运营提供指导。
[0161] 进一步，所述步骤S2中，建立光储电站的预测出力数据包括以下过程：
[0162] S2‑2，初始化网络参数和神经元集合A＝{C1,C2}，初始权重和偏置可以通过随机初始化的方式进行。
[0163] S2‑3，输入光伏出力数据Xi，第一层网络以在线的方式自适应的生成神经元来表示输入数据；神经元的计算公式如公式(1)
[0164] S1＝argmin||ξ‑WT||，T∈A (1)
[0165] 其中，公式(1)中，ξ表示新的输入样本；WT表示神经元的权重；A表示神经元集合；T表示神经元集合中的任意神经元。获胜神经元可用公式(2)计算。
[0166] S2＝argmin||ξ‑WT||，T∈A\{S1} (2)
[0167] 其中，S1表示新的神经元值；
[0168] S2‑4，使用当前的网络参数计算第一层神经网络的输出；
[0169] S2‑5，第二层网络根据第一层网络的结果计算出神经元间的距离，并以此为参数，把第一层的神经元作为输入SOINN神经网络，从而进行动态调整，消除噪声，进而稳定学习结果；
[0170] S2‑6，如有新的输入数据，重复步骤S2‑3到S2‑5，直到达到停止条件。
[0171] 所述步骤S3中，以最大收益为目标建立光储电站运行目标函数目标函数，包括以下步骤：
[0172] S3‑1，通过下面公式建立以最大收益为目标函数的光储电站运行目标函数MAXIpv‑bess＝Ielc+IF‑Cass‑Cg；
[0173] 其中，Ipv‑bess为光储电站的最大净收益；Ielc为光储电站向电网售电的收益；IF为光储电站参与调峰辅助服务的收益；Cass为光储电站的预测误差考核成本；Cg为光储电站运维成本。
[0174] S3‑2，所述光储电站的发电收益可表示为：
[0175] Ielc＝βpv·Qpv+βbess·Qbess
[0176] 其中，Ielc为光储电站发电收益，单位：元；βpv为光伏上网标杆电价，单位：元/KWh；βbess为储能上网标杆电价，单位：元/KWh；Qpv为光伏日发电量，单位KWh；Qbess为储能日发电量，单位KWh；
[0177] S3‑3，所述光储电站的考核奖惩成本可表示为：
[0178] Cass＝αass•Qpv‑bess
[0179] 其中，Cass为光储电站的预测误差考核成本，单位：元；αass为考核单价，单位：元/MWh；
[0180] S3‑4，所述储能参与调峰辅助服务的收益可表示为：
[0181]
[0182] 其中，IF为储能调峰收益，单位：元；Pc(t)、Pd(t)分别是储能系统在时刻t的充电、放电功率；Mf(t)为储能系统在时刻t的调峰电价；β是调峰补贴。
[0183] 所述光储电站运行损耗成本可表示为：
[0184] Cg＝Cbess+Mg
[0185]
[0186] Mg＝Rg·Qpv
[0187] 其中，Cg为光储电站运行损耗成本，Cbess为储能运行损耗成本，单位：元；βbess为储能电池单位造价，单位：元/MWh；αbess为储能电池单次放电寿命损耗率，单位：％；N为储能电池充放电次数；Mg为光伏运行损耗成本，单位：元；Rg为光伏运维系数，单位：元/W；
[0188] 所属步骤S4中在计算光储电站收益指标时，优化运行过程中应满足以下约束：
[0189] S4‑1，光储电站功率平衡约束：
[0190] Pgrid(t)＝Ppv(t)+Pbess(t)
[0191] 其中，Pgrid(t)为光储电站并网点功率；Ppv(t)为光伏输出有功功率；Pbess(t)为储能输出有功功率
[0192] S4‑2，储能系统功率约束：
[0193] 0≤Pbess(t)≤Pbess_max
[0194] 其中，Pbess_max为t时刻储能系统最大输出有功功率；
[0195] S4‑3，储能系统荷电状态约束：
[0196] SOCbess_min≤SOC(t)≤SOCbess_amx
[0197]
[0198] 其中，SOC(t)为t时刻储能系统的荷电状态，SOCbess_min，SOCbess_max‑为储能系统放电区间最大，最小值；Ebess为储能容量；
[0199] S4‑4，储能系统容量配置约束：
[0200] 0≤Ebess≤Ebess‑max
[0201] 其中Ebess‑max为储能电池容量的上限，单位：MWh。
[0202] 在解决光储电站最大经济收益模型得算法中，常用的解决算法有模拟退火算法算法，遗传算法等，但其算法编程复杂，运算效率不高，对初始参数依赖性较强等问题，而灰狼算法有着结构简单，收敛性强，容易实现等特点，能够快速寻找出全局最优解，求得光储电站收益指标，为光储电站的优化运行提供了一定程度的参考。
[0203] S5：在各典型场景内分别随机选取一天的光伏出力数据作为实际出力数据，与预测出力数据共同作为输入，利用灰狼算法求解模型。
[0204] 所述步骤S5中，如图5所示，利用灰狼算法求解模型包括以下过程：
[0205] S5‑1，设置灰狼算法的初始参数；
[0206] S5‑2，输入光储电站预测出力和光伏电站实际数据，随机生成规模为N的初始化狼群N；
[0207] S5‑3，灰狼执行包围行为、追捕行为、攻击行为，搜索行为，经过上述行为生成灰狼的适应度值，即计算售电收益Ielc、调峰辅助服务收益IF、预测误差考核成本Cass、运行损耗成本Cg的值。灰狼的位置变化表达式如下：
[0208] 灰狼在狩猎的过程中，利用下列公式对猎物进行包围：
[0209] X(t+1)＝XP(t+1)‑A·D
[0210] D＝|C·XP(t)‑X(t)|
[0211] 其中，A是协同系数向量；D为灰狼与猎物之间的距离，X(t+1)是狼的新位置；
[0212] 灰狼在狩猎过程中，利用下列公式对猎物进行跟踪：
[0213]
[0214] X1＝Xα(t)‑A1·Dα
[0215] X2＝Xβ(t)‑A2·Dβ
[0216] X3＝Xδ(t)‑A3·Dδ
[0217] 其中，Xα(t)，Xβ(t)，Xδ(t)为上次迭代前三个适应度最优的个体位置；
[0218] S5‑4，更新收敛因子α，协同系数向量A,C；计算全部灰狼的适应度，更新alpha，belta，delta的适应度及位置；
[0219] S5‑5，判断是否达到迭代次数，若是则输出最优解Xa，及对应的最优值f(Xa)，若否，则跳到S5‑3继续执行之后步骤。
[0220] 本发明首先基于光储电站数据量大，波动性强等特点运用SOINN神经网络算法生成光储电站的预测出力数据，并根据实际光储电站收资情况建立光储电站收益指标模型；灰狼算法有着结构简单，收敛性强，容易实现等特点，能够快速寻找出全局最优解，求得光储电站收益指标，为光储电站的优化运行提供了一定程度的参考，尤其是根据运行协同优化方案。
[0221] 本发明主要在于数据的处理方式，SOINN神经网络算法能够在没有先前知识的情况下采用非监督学习自适应的对动态数据进行在线聚类和拓扑，对于已学习过的数据，SOINN神经网络能够在不影响之前学习结果的同时，发现数据中的新模式并进行学习。光储电站在数据收集时往往会采用3秒为一个时间间隔来采集数据，因此收集起来的数据量非常的庞大，其中一些噪声数据会对之后获得光储电站的预测出力数据有一定的影响，SOINN神经网络采用双层模型结构，能够去除噪声数据，提高了聚类的准确性。并且光储电站的出力数据会因为天气、季节的变化而变化，为了获得更加精确的光储电站收益指标，对数据处理的实时性有着较高的要求，SOINN神经网络能够在原有数据学习的基础上学习新的数据信息，大大减少了获取典型光储电站的预测出力数据的时间。
[0222] 如图6所示，本发明实施例的第二个目的是提供一种光储电站运行协同优化系统，包括：
[0223] 获取模块，用于获取光储电站的实际出力数据；
[0224] 聚类模块，用于基于光储电站实际出力数据，利用神经网络对光储电站的实际出力数据曲线进行聚类划分，将聚类中心作为光储电站的预测出力数据；
[0225] 构建模块，用于构建光储电站运行目标函数，光储电站运行目标函数包括光储电站发电收入、运行损耗成本、考核奖惩收益和参与辅助服务收益；
[0226] 确定模块，用于确定所述光储电站运行目标函数的约束条件，约束条件包括光储电站功率平衡约束条件、储能系统功率约束条件、储能系统荷电状态约束条件及储能系统容量约束条件；
[0227] 求解模块，用于将所述实际出力数据与所述预测出力数据共同作为输入，求解光储电站运行目标函数，得到光储电站收益指标，基于光储电站收益指标生成运行协同优化方案。
[0228] 作为一具体实例，所述获取模块中，所述光储电站的实际出力数据包括调度总需求、光伏实时有功数据、储能总有功出力数据、光伏总有功出力数据、光伏标杆计算总有功、光伏储能总有功出力数据及不同天气光储电站出力数据。
[0229] 作为一具体实例，聚类模块中，基于光储电站实际出力数据，对光储电站的实际出力数据曲线进行聚类划分，将聚类中心作为光储电站的预测出力数据，包括以下过程：
[0230] S2‑1，构建SOINN神经网络，并初始化SOINN神经网络的网络参数和神经元集合A＝{C1,C2}，以随机初始化的方式初始化初始权重和偏置；
[0231] S2‑2，输入实际出力数据，SOINN神经网络第一层网络以在线的方式自适应的生成神经元来表示输入数据；神经元的计算公式如公式：
[0232] S1＝argmin||ξ‑WT||，T∈A (1)
[0233] 其中，ξ表示新的输入样本；WT表示神经元的权重；A表示神经元集合；T表示神经元集合中的任意神经元；获胜神经元用公式(2)计算：
[0234] S2＝argmin||ξ‑WT||，T∈A\{S1} (2)
[0235] 其中，S1表示新的神经元值；
[0236] S2‑3，使用当前的网络参数计算第一层神经网络的输出；
[0237] S2‑4，第二层网络根据第一层网络的结果计算出神经元间的距离，并以此为参数，把第一层的神经元作为输入SOINN神经网络，进行动态调整；
[0238] S2‑5，如有新的输入数据，重复步骤S2‑2到S2‑5，直到达到停止条件，最终输出获胜神经元集合，将获胜神经元集合的聚类中心作为光储电站的预测出力数据。
[0239] 作为一具体实例，构建模块中，所述构建光储电站运行目标函数，包括；
[0240] S3‑1，建立以最大收益为目标函数的光储电站运行目标函数：
[0241] MAX Ipv‑bess＝Ielc+IF‑Cass‑Cg (3)
[0242] 其中，Ipv‑bess为光储电站的最大收益；Ielc为光储电站向电网售电的发电收益；IF为光储电站参与调峰辅助服务的收益；Cass为光储电站的预测误差考核成本；Cg为光储电站运维成本；
[0243] S3‑2，所述光储电站的发电收益表示为：
[0244] Ielc＝βpv·Qpv+βbess·Qbess
[0245] 其中，Ielc为光储电站发电收益；βpv为光伏上网标杆电价；βbess为储能上网标杆电价；Qpv为光伏日发电量；Qbess为储能日发电量；
[0246] S3‑3，所述光储电站的考核奖惩成本表示为：
[0247] Cass＝αass·Qpv‑bess
[0248] 其中，Cass为光储电站的预测误差考核成本；αass为考核单价；
[0249] S3‑4，所述储能参与调峰辅助服务的收益表示为：
[0250]
[0251] 其中，IF为储能调峰收益；Pc(t)、Pd(t)分别是储能系统在时刻t的充电、放电功率；Mf(t)为储能系统在时刻t的调峰电价；β是调峰补贴；
[0252] S3‑5，所述光储电站运行损耗成本表示为：
[0253] Cg＝Cbess+Mg
[0254]
[0255] Mg＝Rg·Qpv
[0256] 其中，Cg为光储电站运行损耗成本，Cbess为储能运行损耗成本；βbess为储能电池单位造价；αbess为储能电池单次放电寿命损耗率；N为储能电池充放电次数；Mg为光伏运行损耗成本；Rg为光伏运维系数。
[0257] 作为一具体实例，确定模块中，所述确定所述光储电站运行目标函数的约束条件，包括：
[0258] S4‑1，光储电站功率平衡约束
[0259] Pgrid(t)＝Ppv(t)+Pbess(t)
[0260] 其中，Pgrid(t)为光储电站并网点功率；Ppv(t)为光伏输出有功功率；Pbess(t)为储能输出有功功率；
[0261] S4‑2，储能系统功率约束：
[0262] 0≤Pbess(t)≤Pbess_max
[0263] 其中，Pbess_max为t时刻储能系统最大输出有功功率；
[0264] S4‑3，储能系统荷电状态约束：
[0265] SOCbess_min≤SOC(t)≤SOCbesss_max
[0266]
[0267] 其中，SOC(t)为t时刻储能系统的荷电状态，SOCbess_min，SOCbess_max‑为储能系统放电区间最大、最小值；Ebess为储能容量；
[0268] S4‑4，储能系统容量配置约束：
[0269] 0≤Ebess≤Ebess‑max
[0270] 其中Ebess‑max为储能电池容量的上限。
[0271] 作为一具体实例，求解模块中，求解光储电站运行目标函数采用灰狼算法求解光储电站运行目标函数，灰狼算法求解过程包括：
[0272] S5‑1，设置灰狼算法的初始参数；
[0273] S5‑2，输入光储电站预测出力和光伏电站实际数据，随机生成规模为N的初始化狼群Xi；
[0274] S5‑3，灰狼Xi根据售电收益，储能运行损耗成本，预测误差考核成本的约束条件，执行包围，追捕，攻击行为，生成每只灰狼的适应度值，进而得到适应度最优的个体位置；
[0275] S5‑4，将适应度最优的个体位置Xa确定为光储电站收益的最佳自变量值；
[0276] S5‑5，判断是否达到迭代次数，若是则输出最佳自变量值Xa，及光储电站收益最优值f(Xa)；若否，则返回S5‑3继续执行。
[0277] 可选的，所述得到适应度最优的个体位置，包括：
[0278] 灰狼在狩猎的过程中，利用下列公式对猎物进行包围：
[0279] X(t+1)＝XP(t+1)‑A·D
[0280] 其中，A是协同系数向量，D为灰狼与猎物之间的距离，X(t+1)是狼的新位置；
[0281]
[0282] X1＝Xα(t)‑A1·Dα
[0283] X2＝Xβ(t)‑A2·Dβ
[0284] X3＝Xδ(t)‑A3·Dδ
[0285] 其中，Xα(t)，Xβ(t)，Xδ(t)为上次迭代前三个适应度最优的个体位置。
[0286] 本发明实施例在求解光储电站运行目标函数之后，得到光储电站收益指标，可以基于光储电站收益指标进行生成运行协同优化方案。
[0287] 具体是以光储电站收益指标和光出电站规划参数构建运行协同优化模型，并生成运行协同优化方案，例如可以采用光储电站最大收益与光出电站规划参数之间的占比，形成运行协同优化模型，一般以以光储电站收益指标为主，光出电站规划参数为辅，根据实际情况的参数可以生成运行协同优化方案。
[0288] 光储电站收益指标作为生成运行协同优化方案的重要指标，可以得到比较准确的建设规划。整个过程计算速度加快，数据处理逻辑性强，最终结果参考性强，得到的光储电站运行协同优化方案可以提高投资者建设的积极性。
[0289] 如图7所示，本发明实施例的第三个目的是提供一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述光储电站运行协同优化方法。
[0290] 本发明实施例的第四个目的是提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现所述光储电站运行协同优化方法。
[0291] 综上所述，本发明的光储电站运行协同优化方法，包含以下五个步骤：S1获取光储电站的实际出力数据；S2基于光储电站实际出力数据，利用SOINN神经网络对光储电站的出力曲线进行聚类划分，聚类中心作为光储电站的预测出力数据；S3获取目标函数，包括光储电站发电收入、运行损耗成本、考核奖惩收益和参与辅助服务收益；S4确定所述光储电站运行目标函数的约束条件，包括光储电站功率平衡约束条件、储能系统功率约束条件、储能系统荷电状态约束条件及储能系统容量约束条件；S5利用灰狼算法求解出光储电站收益指标，得到光储电站运行协同优化方案。本发明针对当今光储电站数据收集的实时性，无限性，数据量庞大等特点，采用SOINN神经网络网络能够动态的，增量式的发现数据流中出现的新模式并进行学习，并且不影响之前已经学习的结果，从而解决上述数据问题。
[0292] 本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD‑ROM、光学存储器等)上实施的计算机程序产品的形式。
[0293] 本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0294] 这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0295] 这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0296] 最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。
