[发明专利]光储电站的功率协调控制方法和装置、存储介质

说明书

本发明提供一种光储电站的功率协调控制方法和装置、存储介质，该方法包括获取光储电站历史太阳辐照度及其影响因素数据，对采集到的数据集进行预处理，划分出训练集和测试集，建立循环神经网络模型，通过循环神经网络模型在得到的测试集上进行预测，对预测结果进行误差分析后保存模型，预测光储电站未来一个调度周期的太阳辐照度数据，并基于该数据预测得到光伏出力，得到光储电站参与市场调度的实际电能，建立调度周期内电池储能系统的损耗成本函数模型，建立光储电站短期优化调度目标函数。本发明通过搭建可解释的深度学习模型，利用与太阳辐照度及其影响相关因素数据，可以对未来短期的太阳辐照度数据进行更加精确预测。

技术领域

本发明涉及光伏功率预测与储能控制技术领域，尤其涉及一种光储电站的功率协调控制方法以及应用该方法的装置、存储介质。

背景技术

太阳辐照度是光伏发电最主要的影响因素，但是由于大气的存在，真正到达地球表面的太阳辐射能的大小要受许多因素的影响，包括太阳高度、太阳方位角等地理参数，相对湿度、干球温度等气象参数，以及不同季节造成的光照强度不同带来的影响等。

因此，太阳辐照度具有很强的随机性和波动性，对于光伏电站而言，精确的太阳辐照度短期预测是解决光伏电站输出功率稳定问题的关键技术之一，同时也是制定合理调度计划的必要前提。

同时光伏出力存在的随机性和波动性的特点不可改变，随着光伏在电网中渗透率不断提高，当参与电网有功功率调节时，光伏电站本身需要弃光以及承担相应的经济损失，这将影响电网的经济稳定运行。储能电池具备响应速度快、控制精准的特性，并且在电网中既可以作为负荷被充电，又可以作为电源去放电，光伏电站侧配备储能系统可有效跟踪计划出力，主动参与电网调度。

现有的太阳辐照度预测方法主要有机器学习预测方法和深度学习预测方法。其中，机器学习方法主要有回归、SVM回归、随机森林与时间序列分析法等；深度学习方法主要有LSTM长短时记忆神经网络等。

目前的预测方法都很难应对不同天气类型下的各种影响因素，要实现精确的预测难度很大。现有的预测方法在以下三个方面有待提高，如下：

(1)机器学习方法或者深度学习算法是“端到端”的“黑盒”模式，难以准确揭示太阳辐照度预测结果与输入特征如太阳高度、方位角、温度等之间的关系。

(2)预测算法内部的变换关系不可改变，使得太阳辐照度预测精度进一步提升很难。

(3)太阳辐照度预测算法的空间复杂度偏大，计算一次辐照度预测结果耗费时间很长。因此亟需提出一种可解释的、预测精度高并且空间复杂度小的深度学习算法用于太阳辐照度的短期预测。

对于光储电站而言，电池储能系统的装配灵活、存储容量大、不受地理环境限制，但是其成本昂贵带来的经济性问题使其广泛应用受限。因此对光储电站协调控制以减小其经济成本是保证光储电站收益最大化的重要手段。

发明内容

本发明的第一目的在于提供一种通过搭建可解释的深度学习模型，利用与太阳辐照度相关的地理因素、气象因素以及光照因素等数据，对未来短期的太阳辐照度数据进行更加精确预测的光储电站的功率协调控制方法。

本发明的第二目的在于提供一种光储电站的短期功率协调控制装置。

本发明的第三目的在于提供一种存储介质。