[发明专利]一种基于多变量控制的复杂可再生能源综合用能分析管理的系统和方法

说明书

随时变化的天气导致可再生能源具有波动性，间接性，随机性的特点，这些不稳定的特性限制了可再生能源在生产活动中的推广使用，本发明提出一种利用多种预测模型准确预测的光伏发电以及风力发电的发电量预测数据结合多变量控制最优解方程的综合用能分析管理系统来科学高效的实时管理光伏发电和风力发电两种可再生能源的使用比例分析分配，并且在特殊天气情况下，辅以传统化石能源发电量的补充，达到灵活选择风力发电或光伏发电产出量，最大限度使用可再生能源，最小化用能成本为目标，建立了考虑波动变化的可再生能源发电量与储能容量优化等多方面的综合模型以提高用电对象对可再生能源的利用效率，实现绿色用能，经济用能的目标。

技术领域

本发明涉及预测控制领域，具体涉及一种基于多变量控制的复杂可再生能源综合用能分析管理的系统和方法。

背景技术

为了应对越来越紧张的能源供应和化石能源导致的气候影响，世界各国都十分重视可再生能源的开发和利用。风能以及太阳能作为最具代表性的，并且被市场广泛接受的清洁能源对于以传统化石能源为主的电力市场是一个非常重要的补充。但是可再生能源目前在大规模的并网运行上仍然存在折一些问题，由于其波动性和随机性的特点与电力系统的发电，输电，用电需要实时保持平衡的要求互相矛盾，如何利用有效的预测和合理的分配管理来化解这个矛盾成为了解决合理利用可再生能源问题的关键。准确的对于可再生能源发电系统输出的预测和科学的储能分析管理系统是解决这个问题的方法。

通过各种预测方式可以有效的预测可再生能源发电系统的输出。预测结果越准确就越能使电力系统运行效率和稳定性极大的增加，准确的预测结果可以保障对于未来一定时间内的可再生能源发电量的合理分配。目前，有很多的预测方法可以准确预测可再生能源的发电输出。例如发明“一种基于梯度提升算法预测短期电力负荷的系统模型” （专利申请号： 202010115241.6）提出了一种利用梯度提升算法(Gradient Boosting)来预测风力发电输出预测的方法。发明“一种基于递归神经网络的长短期记忆模型来预测风力发电的系统模型”（专利申请号：202010108778.X）提出了一种结合递归神经网络和LSM长短记忆模型的方法来预测风力发电量。例如发明“一种基于线性回归和神经网络的光伏发电预测模型和方法”（专利申请号： 202010025373.X）提出了一种结合多元线性回归，分步线性回归及人工神经网络以预测光伏发电系统输出的复杂模型和方法，可以准确的预测指定区域内一个时间段的光伏发电量。

这些新的方法可以准确预测指定区域在某些时间段内的可再生能源的发电量。可再生能源的大规模并网，造成电网安全稳定运行和有效消纳问题仍然非常突出，仍然需要一套有效的优化管理系统提高风力发电的消纳能力，合理分配电网电量的补充。为了应对可再生能源发电的间隙性问题，电力系统在运行中必须保留足够的备用电源和调峰容量，以保证风力发电和太阳能发电出力不足时能够正常向用户供电，这必然会造成系统的备用容量增大；而在可再生发电出力大，而负荷不足时，又必须采取压低火力电机组出力的方式来保证平衡。可再生受制于其对于天气情况的依赖，由于其多变性及其不可预测性可能会无法在与现有电网进行并网操作时保持协同的可靠和稳定，这就要求在利用风力发电能源时，充分考虑到其不稳定性，利用预测模型的结果以及多变量控制的系统有效，合理的分配风力发电量与综合电网的用量，以做到最大程度的利用清洁能源能源。

本发明提出一种基于多个变量控制的可再生能源发电综合用能分析管理的系统和方法，其特点为提出一种分配光伏发电量，风力发电量与传统化石能源补充的线性优化方程数学模型，利用储能设备，以最大化利用可再生能源使用为目标，同时考虑最小化用能成本。数学模型在实际应用中也引入了储能成本，储能设备寿命，储能设备充放电次数，用能负荷需求等多个限制变量，从而更符合实际运行情景。本发明以达到高效利用可再生能源发电，有效保障电网运行安全为目的，引入光伏发电量，风力发电量以及用能负荷等模型预测结果在储能设备的分配模拟上，在保障可再生能源有效并网的前提下，合理配置储能设备和电网购电，对合理化分配可再生能源利用率有一定的实践意义，达到清洁用能的目标。

发明内容