光伏发电平滑方法、系统和存储介质

1.本发明属于太阳能清洁利用技术领域，涉及一种光伏发电平滑方法、系统和存储介质。


背景技术：

2.太阳能光伏发电与风能具有波动性和不确定性的特点，天气情况对其输出功率有着很大的影响。光伏发电大规模入网，会对电网运行特性产生重要影响，同时也会给电网带来如谐波污染、电压波动等电能质量问题。
3.太阳能热发电技术可以耦合大规模低成本储热（约0.05元/kwh），提高电力输出的稳定性，并可以参与灵活调峰，且调峰时不会额外引发污染物排放增加或能耗大幅升高的现象，是非常具有发展潜力的电网友好型可再生能源发电技术。
4.随着波动性新能源发电规模的持续增长，电网系统为波动性可新源电力付出的额外成本持续增加，亟需开发低成本的可再生电源调峰技术，保障电力系统安全运行。其中可从提高发电功率的预测以及对输出功率的平滑两方面进行考虑：光伏发电功率的预测可以将预测不确定性进行量化，为含高渗透率光伏发电的电网运行和控制提供数据支撑，从而更好地解决在光伏不确定性下的电网优化问题，提高电网对光伏的消纳能力；研究光伏发电系统平滑控制策略，有利于稳定系统的输出功率，提高系统的运行效率。
5.基于此，本发明提出了一种光伏光热新能源上网平滑系统及方法，考虑光伏、储能、负荷的运行约束、系统安全约束，以及多能源间的耦合特性，构建多种能源协同出力的智慧能源系统，满足波动性可再生能源的稳定和消纳。该发电平滑系统有利于提高新能源电力支撑能力，推动电能清洁稳定生产，减少弃风、弃光，促进可再生能源消纳和源网储灵活互动调节，是提高电能系统综合效率的重要抓手，对于建设清洁低碳、安全高效现代电能体系具有重要的现实意义和深远的战略意义。


技术实现要素：

6.本发明的目的在于针对现有技术的不足，提供一种光伏发电平滑方法、系统和存储介质。该方案能够实现对光伏发电的高精度预测以及光伏光热发电上网平抑，得到平滑的输出功率。
7.本发明所采用的技术方案如下：
8.第一方面，本发明实施例提供一种光伏发电平滑方法，所述方法应用于光伏光热耦合发电系统，包括如下步骤：
9.基于遗传算法优化elman神经网络对光伏发电功率进行预测；同时所述神经网络采用基于网络误差大小的自适应学习率调整方法调整学习率，且所述神经网络的权值和阈值的调节采用带有附加动量的调节方法；
10.同时结合储能基于平滑算法平抑光伏光热输出功率波动，得到平滑稳定的输出功率并确定蓄电池的最佳容量功率。
11.上述技术方案中，进一步地，所述elman 神经网络的结构分为四层：输入层、隐含层、承接层和输出层，采用的学习算法为梯度下降法，若输出层的输出与期望输出不一致，则输出误差转入反向传播阶段，通过隐含层传向输入层，分配给各层神经元，得到各层的误差信号，从而对各层神经元的权值和阈值进行更新，以达到理想的误差精度。
12.进一步地，所述基于网络误差大小的自适应学习率调整方法，具体为：
[0013][0014]
式中，为网络实际输出与期望输出的误差平方和，k表示第k次迭代，k+1表示第k+1次迭代，为学习率。
[0015]
进一步地，所述采用带有附加动量的调节方法为：每次更新权值和阈值时，在已有权值和阈值的调节量上额外附加一个正比于前一次调节量的动量因子，附加动量的本质为前一次权值和阈值调节量的线性叠加，随着权值和阈值调节量的增大，附加动量也相应增加，从而提高网络的稳定性和运算速度，带有附加动量的elman神经网络的权值和阈值的调节方法为：
[0016][0017][0018]
式中，和 分别为权值和阈值的调节量；和分别表示第k+1次迭代权值和阈值的带附加动量的调节量；i、j分别为输出层、隐含层的节点位置；为动量因子，k表示第k次迭代，k+1表示第k+1次迭代。
[0019]
进一步地，所述基于遗传算法优化elman神经网络对光伏发电功率进行预测；包括如下：基于遗传算法设置种群数目和优化目标，对elman神经网络的初始化权值和阈值进行编码；确定适应度函数，对各种群个体进行适应度计算；确定遗传策略，对种群进行选择、交叉、变异操作，得到子代；确定种群是否达到优化目标或达到最大迭代次数，若是，则结束，若不是，则返回继续进行适应度计算，直到达到优化目标或达到最大迭代次数，获得网络最佳权值和阈值；基于最佳权值和阈值进行网络训练及预测结果。
[0020]
进一步地，所述的变异操作分为两步进行：第一步：根据预先设定的变异概率，计算种群中单个个体发生变异的概率为：式中l代表编码长度，n代表种群个体数量，给定一个[0,1]之间的随机变量x，当时，就对这个变量进行变异操作，当时，就不需要变异操作；第二步：计算出个体中的基因会产生变异的概率，正常条件下，引发基因变异的期
望次数为，然而在新的变异方案条件下，设定变异概率为，此时基因变异的总期望次数为；令两者相等，即能够得到新的变异概率，如下所示：。
[0021]
进一步地，所述的平滑算法为小波变换、滑动平均、变分模态分解vmd或经验模态分解emd。
[0022]
第二方面，本发明实施例提供一种光伏发电平滑系统，该系统应用于光伏光热耦合发电系统中，实现如上任一种光伏发电平滑方法。
[0023]
第三方面，本发明实施例提供一种计算机设备，所述计算机设备包括：一个或多个处理器；存储器，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上任一种光伏发电平滑方法。
[0024]
第四方面，本发明实施例提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上任一种光伏发电平滑方法。
[0025]
本发明的有益效果是：
[0026]
本发明通过研究光伏发电系统的输出特性，构建智能调度综合控制系统，通过采用多种优化策略优化的elman神经网络实现了光伏发电的高精度预测，光伏功率预测误差不超过10%，配合储能电池实现波动平抑，保证电网平稳运行。通过综合控制系统实现对电网全天候的实时动态监测，提供准确、实时、稳定的数据；通过对储能电池自动控制，及时输出和消纳电能平抑波动，加强光伏发电系统的动态稳定。图1是实际功率与预测功率对比曲线图。
附图说明
[0027]
图1采用本发明方法实际功率与预测功率对比曲线图；
[0028]
图2为elman神经网络的训练流程图；
[0029]
图3为遗传算法的操作流程图；
[0030]
图4为遗传算法优化的elman神经网络的操作流程图；
[0031]
图5为小波变换原理示意图；
[0032]
图6为滑动平均配置蓄电池容量功率方案示意图；
[0033]
图7为vmd配置蓄电池容量功率方案示意图；
[0034]
图8为emd配置蓄电池容量功率方案示意图。
具体实施方式
[0035]
下面结合附图和具体实施例对本发明的技术方案做进一步地详细说明。
[0036]
本发明技术方案分为两个部分开展，光伏预测与平滑策略研究，第一部分针对光伏系统的预测进行优化，提高其预测精度，第二部分对光伏系统的输出功率平滑开展研究；稳定系统的输出功率，提高系统的运行效率，两个部分互为依托，层层递进：
[0037]
本发明中的光热系统可采用太阳能布雷顿循环发电系统。通过模块化方法建立燃气轮机动态运行仿真平台，利用燃机动态仿真平台，耦合高温化学储热系统等动态模型，测试各工况运行结果，建立起耦合高温化学储热的布雷顿发电系统模型，研究耦合系统在不同运行方案下的出力稳定性、负荷响应速度和最大调峰能力的变化，完成高温化学储热的空气布雷顿循环工艺系统的设计工作。
[0038]
针对浙江大学青山湖光热发电系统及浙江大学青山湖光伏发电系统构成的光伏光热耦合系统为例，基于太阳能资源指标、电量指标、能耗指标、光伏系统性能指标、设备运行水平指标及电站经营指标，建立完全的电站指标体系，进行设备建模；通过对当地的太阳能气象数据进行实时采集，通过光资源的分析模型，计算出太阳能资源的利用情况，太阳能辐射量，平均气温，从而推导出理论的发电量情况，分析光资源的转换效率，比较实际电量与理论电量，并通过多级电量（直流、交流、升压）比较，统计，计算电量损失情况，分析出光伏系统的性能指标、设备运行水平指标、电量损耗指标；建立光伏数据模型，通过构建短期负荷预测、光伏发电功率预测模型，对光伏发电功率进行预测，结合小波分解等算法提出结合储能平抑光伏输出功率波动的策略，平滑光伏输出不稳定的小波动，得到较为平滑的光伏输出。具体的：
[0039]
光伏发电功率预测算法
[0040]
1. 光伏发电数据选取和处理方法
[0041]
光伏发电功率的预测可以将预测不确定性进行量化，为含高渗透率光伏发电的电网运行和控制提供数据支撑，从而更好地解决在光伏不确定性下的电网优化问题，提高电网对光伏的消纳能力。影响光伏发电功率的因素主要有两种：一是内部因素，二是外部因素。内部因素包括光伏板的倾角、每个光伏电站所处的地理位置、光电转换效率等，因为在预测光伏发电功率时，使用的是同一个光伏电站的数据，所以内部因素是相同的，预测功率时不必考虑内部因素；外部因素包括天气类型、太阳辐照度、温度、湿度、风速等，若是将所有外部因素都考虑在内，必然会影响预测模型的运行速度。因此，在进行预测之前，首先要筛选影响光伏发电功率的主要因素，在确保预测精度的前提下减少因数据维度过高而导致的预测模型运行速度下降。
[0042]
基于相似日理论和遗传算法优化elman神经网络的典型光伏场景提取方法，在光伏发电功率预测中，通常将功率待预测的那一天称为预测日，将这一天之前的几天称为历史日，将历史日中与预测日气象因素最相似的称为“相似日”。相似日理论的原理就是构建相似向量，选择特征量与预测日数据进行比较和匹配，从而选出相似度最高的历史日数据作为相似日样本。在预测光伏发电功率时，预测模型的训练是决定最终预测精度的关键因素。如果采用与预测日相似度高的历史日数据训练，可以提高模型的预测效果，不但缩短了训练时间，而且还能改善预测精度，使得相似日和预测日的光伏发电功率曲线高度相似。相似日理论可以高效地对大量数据进行初筛，并且能够自定义向量组，具有较强的适应性，能够根据预测需求自动更新数据。光伏发电功率的大小与天气类型和气象因素有关，因此通过选择相似的天气类型和气象因素，与光伏发电功率序列结合起来作为光伏功率预测模型的输入数据，利用该方法，可以较好地求出预测日的光伏发电功率，从而提高计算速度和预测精度。
[0043]
对于已建成的光伏电站，其内部因素均已确定，光伏输出功率主要受辐照度、温
度、风速和湿度等气象因素的影响。因此，在预测日所在的季节因素确定的情况下，选取相似日的特征向量如下：
[0044][0045]
式中，为天气类型；分别为第i日的最大辐照度、最小辐照度、平均辐照度；分别为第i日的最大温度、最小温度、平均温度；分别为第i日的最大风速、最小风速、平均风速；分别为第i日的最大湿度、最小湿度、平均湿度。
[0046]
通常，光伏电站采集的数据都是由不同的量纲和数量级组成的，如果在各个维度进行不均衡缩放，可能会导致模型的最优解与初始不一致，使得模型的预测精度降低。为了防止此类数据对运算造成干扰，本发明采用归一化处理的方法，将各个维度的特征值分别映射到[0,1] 的相同区间，使每个特征值的量纲都相同， 从而提高了预测模型的收敛速度和预测精度。归一化处理的公式6-2：
[0047]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（6-2）
[0048]
式中，为经过归一化处理的数据；为输入数据；和分别为输入数据的最大值和最小值。
[0049]
明确了特征向量后，为了使各个向量的量纲统一，采用极差法对各分量进行归一化公式6-3：
[0050]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（6-3）
[0051]
式中，为第个向量的第个分量；和分别为第个分量的最大值和最小值。
[0052]
归一化处理后，预测日和第日的特征向量为公式6-4：
[0053][0054]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（6-4）
[0055]
与在第个因素的关联系数为公式6-5：
[0056]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（6-5）
[0057]
式中，； 为分辨系数。
[0058]
对各分量的关联系数进行归纳，定义与之问的相似度为公式6-6：
[0059]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（6-6）
[0060]
相似度的计算是为了选取适当的历史数据进行预测，从而提高预测精度。式(6-6)利用连乘法来计算相似度，其优点是最大限度地解决了各分量的权重问题。
[0061]
2. 基于遗传算法优化的elman神经网络
[0062]
（1）elman神经网络
[0063]
elman 神经网络在一般前馈式网络的基础上增加了一个承接层，是一种动态递归神经网络。elman 神经网络的结构通常分为四层：输入层、隐含层承接层和输出层。
[0064]
输入层：主要功能是输入数据；
[0065]
隐含层：用于连接输出层与承接层的反馈，并利用权重的更新来影响输入的数据，通常激活函数选择 sigmoid 函数；
[0066]
承接层：也叫状态层，从隐含层接收反债信号，用于记忆隐含层上一时刻的输出，完成对数据的延时输入，从而获得对历史数据的敏感性，网络处理动态信息的能力得以增强；
[0067]
输出层：对隐含层的输出进行线性加权，然后输出结果，通常激活函数选择pureline函数。
[0068]
elman神经网络的特点是利用承接层对数据的延时输入和存储，将隐含层的输出与输入进行自联。网络的数学模型为：
[0069]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（6-7）
[0070]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（6-8）
[0071]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（6-9）
[0072]
式中，、、分别为隐含层、承接层和输出层的输出； 为隐含层的激活函数；为输出层的激活函数； 为承接层和隐含层之间的连接权值；为输入层和隐舍层之间的连接权值；为隐含层和输出层之间的连接权值；为隐含层的阈值；为输出层的阈值；为反馈增益因子。
[0073]
elman神经网络采用的学习算法为梯度下降法，若输出层的输出与期望输出不一致，则输出误差转入反向传播阶段，通过隐含层传向输入层，分配给各层神经元，得到各层的误差信号，从而对各层神经元的权值和阈值进行更新，以达到理想的误差精度。误差函数定义为公式6-10：
[0074]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（6-10）
[0075]
式中，为网络的期望输出； 为网络的实际输出。
[0076]
elman神经网络的学习训练由两个过程组成：正向传播和误差反向传播。在正向传播的过程中，输入信息逐层处理，传至输出层后，如果误差不为 0，则将误差反向传播，通过对各层问的权重进行计算和调节，使得误差逐步接近目标精度。这样，每次完成一次正反向传播，就会完成一次迭代，并调整一次权重，直到误差达到要求为止，才能结束学习过程。权值的更新公式6-11、6-12：
[0077]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（6-11）
[0078]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（6-12）
[0079]
式中，为误差函数；为学习率。
[0080]
利用梯度下降法，可以通过误差函数对各层连接权值、、求偏导，从而得到elmman神经网络的学习算法：
[0081]
ꢀꢀꢀꢀ
（6-13）
[0082]
（6-14）
[0083]
（6-15）
[0084]
式中，、、分别为、、的修正量； 、、分别为输出层、隐含层、输入层的节点位置；、、几分别为、、的学习速率。
[0085]
在固定的学习率下，整个训练过程难以实现高效性。学习率如果过小，会大大增加网络的收敛复杂度，使训练过程变得非常缓慢；学习率如果过大，会造成网络不能收敛，在最优值附近徘徊。为了提高模型的预测精度，本文提出了一种基于网络误差大小的自适应学习率调整公式为6-16；
[0086]
ꢀꢀꢀ
（6-16）
[0087]
式中，为网络实际输出与期望输出的误差平方和。
[0088]
若没有附加动量的作用，elman神经网络容易陷入局部极小值，对网络的训练难以达到全局最优，因此在现有权值和阈值的调节量上额外附加一个正比于前一次调节量的动量因子，利用附加动量的作用来划过这些局部极小值。附加动量的本质为前一次权值和阈值调节量的线性叠加，随着权值和阈值调节量的增大，附加动量也相应增加，提高了网络的稳定性和运算速度。带有附加动量的elman神经网络的权值和阈值的调节方法为公式6-17、6-18:
[0089]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（6-17）
[0090]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（6-18）
[0091]
式中，和 分别为权值和阈值的调节量；为动量因子。
[0092]
elman神经网络的训练流程如图2所示。
[0093]
（2）遗传算法
[0094]
遗传算法主要的操作步骤：编码、适应度值计算、选择、交叉、变异等。
[0095]
ꢀ①
编码：遗传算法在进行全局寻优过程中，并不会对参数进行直接优化，而是需要对参数进行数据转化为遗传算法所识别的字符串，这个过程称为编码。编码过程必须保证过程是完整、非冗余的，即保证所有需要优化的参数都被编码，编码后的每一个染色体基因和最后的所求解能够全映射，基因串和所求的实际解也能全映射；
[0096]
ꢀ②
适应度函数：适应度选取的好坏可以说是和种群进化的能力息息相关，适应度是遗传算法进行种群优化过程中唯一的评价标准，根据这个唯一标准进行个体优胜劣汰操作。进化过程中，适应度值就好比是大自然在自然选择中的外界条件，种群中的个体若满足适应度，判定为优秀个体，则保留下来；不满足，判定为劣势个体，则被淘汰掉。
[0097]
ꢀ③
选择操作：选择操作，旨在根据适应度值选择出适应度最高的最优个体，然后把最优个体作为上一代，并将“基因”传递给下一代。最优个体的选取最常用的就是赌盘法，主要参照个体适应度的比例进行选择。先分别计算个体的适应度值和种群的平均适应度值，个体的适应度值只有达到种群平均适应度所设定的比例，才会被选择保留下来。
[0098]
设定一个种群用表示，种群中所有个体的数量值为，每一个个体的适应度值为，那么不会被淘汰的概率如公式（6-19）所示：
[0099][0100]
ꢀ④
交叉操作：交叉操作遗传算法中不可或缺的一步，它不仅能够把上一代的优秀基因保留下来，又能够使不好的基因得到改良，使得遗传操作更具有容错率和开放性。其交叉步骤具体可以分为三步：
[0101]
第一步：即通过个体适应度和群体适应度的计算，选取满足适应度要求的个体。
[0102]
第二步：在编码串中选择交叉的位置。若确定上一代的编码长度为l时，在[l, l-1]范围中随机选取一个或者几个位置进行交叉操作。
[0103]
第三步：进行交叉。设定交叉的概率，概率值设定在[0,1]之间，根据概率值对第一步和第二步选择的上代个体及在选择的交叉位置进行基因交叉，并得到新的种群个体。
[0104]
ꢀ⑤
变异操作：变异操作同样是遗传变异中极其重要的一个步骤，就生物理论来说，对于正常生活一个种群，突然遭受了百年难遇的巨大灾难，慢慢的，那些能够适应灾难的个体被保留下来，不能适应的大多数被淘汰，但是也有少部分为了生存下来，基因慢慢发生变异适应了环境而存活了下来。
[0105]
在正常的基因遗传操作中，种群中个体的变异是按照设定的概率对个体基因位字符串的二进制符进行反转得来的，但是这种方法在实际遗传操作过程中，会导致资源的浪费，所以，本发明将变异操作分为两步进行：
[0106]
第一步：根据算法进行学习之前设定的变异概率，计算种群中单个个体发生变异的概率如公式（6-20）所示：
[0107][0108]
式中l代表编码长度，n代表种群数量，如果给定一个[0,1]之间的随机变量x，当时，就对这个变量进行变异操作，当时，就不需要变异操作。
[0109]
第二步：计算出个体中的基因会产生变异的概率，正常条件下，引发基因变异的期
望次数为，然而在新的变异方案条件下，设定变异概率为表示。此时基因变异的总期望次数为。令两者相等，即能够得到新的变异概率，如公式（6-21）所示：
[0110][0111]
大于，当l无限增大而趋于无穷大时两者相等。
[0112]
遗传算法的具体流程如图3所示：
[0113]
（3）遗传算法优化的elman神经网络
[0114]
针对elman神经网络容易陷入局部最优解和收敛速度的慢一些缺点，使用遗传算法的全局寻优特性，可以对elman神经网络进行优化.一般情况下，elman神经网络的学习过程是通过误差值的反向传播来调整权值和阈值，但是elman神经网络的初始权值和阈值都是[0,1]之间的随机数，使用遗传算法可以优化elman神经网络的权值和阈值，使得elman达到全局最优解，就能够极大的提升预测的精度。所以遗传算法所要优化的参数就是elman神经网络的权值和阈值。
[0115]
遗传算法优化elman神经网络的操作步骤如下：
[0116]
ꢀ①
编码方法的选取。因为elman网络对于光伏发电功率的预测，都是通过改变神经网络的权值和阈值使得预测误差达到预先所设定的值，即遗传算法优化的对象为elman神经网络的权值和阈值。首先，根据光伏发电功率数据的特性确定神经网络的结构，elman网络的结构确定下来也就确定了网络的权值和阈值的个数，在对网络的每一个权值和阈值进行编码，每一个权值和阈值参数代表着种群的一个个体，这些所有个体组成一个群体。其中，群体数目的确定也应该准确，太小的话，算法不能够完全捕捉到光伏发电功率的所有信息，就会使得迭代提前结束，太早收敛，如果种群个数太多，就会使得迭代得时间太长，计算量太过庞大，不利于实际工程中所提倡得经济性和实用性。
[0117]
ꢀ②
适应度函数的确定。首先光伏发电功率所用得elman神经网络进行初始化设置，初始化权值和阈值，进行初步训练，得到光伏发电功率得实际预测值，然后计算光伏发电功率得实际输出值和真实值的差值，设定差值的平方和为遗传算法的初始适应度值。适应度函数表达式如公式（6-22）所示：
[0118][0119]
式中，表示预测值，表示期望值，表示预测样本个数。
[0120]
ꢀ③
遗传操作的确定。根据遗传算法的一般原则，遗传算法的种群规模大多设置在20至200间进行确定，遗传算法经过多次迭代获得一个最优解。
[0121]
ꢀ④
选择概率的表达式如公式（6-23）所示：
[0122][0123][0124]
上式中，表示个体适应度值的倒数，表示种群规模大小。交叉方法的确定：
本算法采用单点交叉的方法，选择两个父代，然后选择一个杂交位，按照的概率进行杂交，然后将会得到一对新个体，。变异方法的确定：即确定变异概率，由于是实数编码，选择第个个体串上的第个基因，然后对其进行变异操作，方法如下：
[0125][0126]
在式（6-25）中，表示基因的上界，表示基因的下界，，表示当前迭代次数，表示设定的迭代次数，是之间的一个随机数；当遗传算法迭代次数达到设定的次数，或者种群所有个体的适应度满足了适应度值，则遗传算法迭代结束。
[0127]
ꢀ⑤
随机生成初始种群。
[0128]
ꢀ⑥
适应度计算。按照适应度函数的公式计算出个体的适应度值。
[0129]
ꢀ⑦
按照步骤
③
的遗传策略，对种群进行选择、交叉、变异操作，得到子代。
[0130]
ꢀ⑧
确定种群是否达到优化目标或达到最大迭代次数，若是，则结束，若不是，就返回到步骤
⑥
，直到达到优化目标。
[0131]
利用遗传算法优化elman神经网络的流程图如图4所示：
[0132]
光伏发电平滑处理算法
[0133]
可以采用小波变换、滑动平均、变分模态分解（variation mode decomposition，vmd）和经验模态分解（empirical mode decomposition，emd）中的任一种方法对光伏光热输出功率中的近似分量进行提取，从而获取满足光伏并网条件的光伏输出功率，最终获取蓄电池的容量功率配置。
[0134]
1）小波变换
[0135]
小波变换能够实现时域和频域的相互转换，同时具有局部性和多分辨特性，适用于非平稳信号，工程上主要用于信号处理、图像处理、语音分析和其他非线性科学领域。小波变换通常分为连续小波变换和离散小波变换，由于连续小波变换计算量大，信息冗余度高，通常将其离散化，使用离散小波的处理方式进行处理。
[0136]
小波变换又称小波分解，就是对信号不断的进行分解。首先将原始信号分解为低频和高频两个部分。之后将低频信号当做原始信号继续分解为低频和高频两部分，重复上述步骤。具体流程如图5所示。
[0137]
小波分解最为重要的两个参数是小波基和分解的层数，小波基对于信号分解的数据特征有重要影响，小波分解的层数直接影响分解后的频率特征。
[0138]
2）滑动平均
[0139]
滑动平均是一种在时间序列上进行划分，对一段时间序列内的值取平均的算法。信号被滑动平均算法的处理后，其抖动性会降低，变得更加平滑。光伏输出功率随着太阳辐射的变化而变化，使用滑动平均算法能够有效消除太阳辐射波动对于光伏输出功率的影响。
[0140]
滑动平均的过程如下，首先选取一个固定大小的窗口，记作l；然后计算出长度为l
时间段内的算数平均值。之后，将窗口按照时间序列增大的方向移动，不断的重复上述步骤，直到求出所有的平均值。滑动平均算法公式见（6-26）。
[0141]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（6-26）
[0142]
式中，——第n组数据的算数平均值；——第n个输出功率初值。
[0143]
根据滑动平均算法原理，滑动窗口l越大，则平抑之后的曲线更加平滑，因此在配置蓄电池容量功率时，第一个满足光伏并网功率波动性要求的l就是最优解。具体算法流程如图6。
[0144]
3）vmd
[0145]
vmd是一种自适应、完全非递归的模态变分和时频信号处理方法。该方法能够有效的处理非线性、非平稳信号。该方法的自适应性表现在能够根据实际情况确定所给序列的模态分解个数，随后的搜索和求解过程可以自适应的匹配每种模态的最佳中心频率和优先带宽，并且可以实现本征模态分量（intrinsic mode functions，imf）的有效分离、信号的频域划分，进而得到原始信号的有效分解成分，最终获得变分问题的最优解。
[0146]
vmd算法模态分解出的多个imf，其中低频部分表现了原信号的趋势，信号更加的平滑，而且设置的模态分解个数越多，imf低频部分曲线会更加的平滑。根据这一特性，设置模态分解个数为n，从小到大进行迭代找出满足光伏并网功率波动的最小模态分解个数；然后将得出的imf低频部分作为平抑后上网的功率；最后计算出蓄电池的容量功率配置。具体流程如图7所示。
[0147]
4）emd
[0148]
emd是一种时频域信号处理方式。该方法能够根据数据自身的时间尺度特征来进行信号分解，无须预先设定任何基函数。emd在处理非平稳和非线性数据上具有明显优势，适合分析非线性非平稳的信号序列，具有较高的信噪比。
[0149]
emd的原理是将复杂的信号分解为有限个imf，各个imf分量都包含了原信号不同时间尺度的局部特征信息，剩余的余项可近似表示原信号的特征。
[0150]
根据emd分解之后余项可近似表示原信号，并且分解imf个数越多余项更加平滑的特性。使用如图8的方式求解蓄电池的最佳容量功率，首先初始化imf分解个数，通过迭代的方式判断分解后的余项是否能够满足光伏并网波动要求。满足要求之后，将余项作为光伏并网功率，计算出蓄电池的容量和功率。
[0151]
匹配光伏电站装机容量的最佳容量的储能电池，储能电池主要用来平抑光伏超出并网需求的波动部分，经过平滑处理后，可以得到所需储能的最小容量，降低储能投资成本。不经平滑处理完全填补光伏空缺所需储能容量更大。平滑处理目的是为了降低投资成本。 根据高温储能的基本单体试验特性及工作范围，匹配光伏电站装机容量30%的燃气轮机以及高温化学储热光热发电系统。该系统最终可通过光热发电系统与储能系统平滑光伏发电系统，让光伏发电系统平稳并网，减少对电网的冲击。
[0152]
此外，本发明实施例还提供一种计算机设备，所述计算机设备包括：一个或多个处理器；存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上任一种光伏发电平滑方法。
[0153]
此外，本发明实施例还可提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上任一种光伏发电平滑方法。

技术特征：
1.一种光伏发电平滑方法，其特征在于，所述方法应用于光伏光热耦合发电系统，包括如下步骤：基于遗传算法优化elman神经网络对光伏发电功率进行预测；同时所述神经网络采用基于网络误差大小的自适应学习率调整方法调整学习率，且所述神经网络的权值和阈值的调节采用带有附加动量的调节方法；当预测光伏在未来一段期间发生超出预期幅度的功率变化时，提前调度光热发电与电池储能系统介入，结合储能基于平滑算法平抑光伏光热输出功率波动，得到平滑稳定的输出功率并确定蓄电池的最佳容量功率。2. 根据权利要求1所述的光伏发电平滑方法，其特征在于，所述elman 神经网络的结构分为四层：输入层、隐含层、承接层和输出层，采用的学习算法为梯度下降法，若输出层的输出与期望输出不一致，则输出误差转入反向传播阶段，通过隐含层传向输入层，分配给各层神经元，得到各层的误差信号，从而对各层神经元的权值和阈值进行更新，以达到理想的误差精度。3.根据权利要求2所述的光伏发电平滑方法，其特征在于，所述基于网络误差大小的自适应学习率调整方法，具体为：式中，为网络实际输出与期望输出的误差平方和，k表示第k次迭代，k+1表示第k+1次迭代，为学习率。4.根据权利要求2所述的光伏发电平滑方法，其特征在于，所述采用带有附加动量的调节方法为：每次更新权值和阈值时，在已有权值和阈值的调节量上额外附加一个正比于前一次调节量的动量因子，附加动量的本质为前一次权值和阈值调节量的线性叠加，随着权值和阈值调节量的增大，附加动量也相应增加，从而提高网络的稳定性和运算速度，带有附加动量的elman神经网络的权值和阈值的调节方法为：加动量的elman神经网络的权值和阈值的调节方法为：式中，和 分别为权值和阈值的调节量；和分别表示第k+1次迭代权值和阈值的带附加动量的调节量；i、j分别为输出层、隐含层的节点位置；为动量因子，k表示第k次迭代，k+1表示第k+1次迭代。5.根据权利要求1所述的光伏发电平滑方法，其特征在于，所述基于遗传算法优化elman神经网络对光伏发电功率进行预测；包括如下：基于遗传算法设置种群数目和优化目标，对elman神经网络的初始化权值和阈值进行编码；确定适应度函数，对各种群个体进行适应度计算；确定遗传策略，对种群进行选择、交叉、变异操作，得到子代；
确定种群是否达到优化目标或达到最大迭代次数，若是，则结束，若不是，则返回继续进行适应度计算，直到达到优化目标或达到最大迭代次数，获得网络最佳权值和阈值；基于最佳权值和阈值进行网络训练及预测结果。6.根据权利要求5所述的光伏发电平滑方法，其特征在于，所述的变异操作分为两步进行：第一步：根据预先设定的变异概率，计算种群中单个个体发生变异的概率为：；式中l代表编码长度，n代表种群个体数量，针对一个[0,1]之间的随机变量x，当时，就对这个变量进行变异操作，当时，就不需要变异操作；第二步：计算出个体中的基因会产生变异的概率，正常条件下，引发基因变异的期望次数为，然而在新的变异方案条件下，设定变异概率为，此时基因变异的总期望次数为；令两者相等，即能够得到新的变异概率，如下所示：。7.根据权利要求1所述的光伏发电平滑方法，其特征在于，所述的平滑算法为小波变换、滑动平均、变分模态分解vmd或经验模态分解emd。8.一种光伏发电平滑系统，其特征在于，该系统应用于光伏光热耦合发电系统中，实现如权利要求1-7任一项所述的光伏发电平滑方法。9.一种计算机设备，其特征在于，所述计算机设备包括：一个或多个处理器；存储器，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的光伏发电平滑方法。10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一所述的光伏发电平滑方法。

技术总结
本发明公开了一种光伏发电平滑方法、系统和存储介质，所述方法应用于光伏光热耦合发电系统，包括：基于遗传算法优化Elman神经网络对光伏发电功率进行预测；同时所述神经网络采用基于网络误差大小的自适应学习率调整方法调整学习率，且所述神经网络的权值和阈值的调节采用带有附加动量的调节方法；同时结合储能基于平滑算法平抑光伏光热输出功率波动，得到平滑稳定的输出功率并确定蓄电池的最佳容量功率。本发明通过采用多种优化策略优化的Elman神经网络实现了光伏发电的高精度预测，光伏功率预测误差不超过10%，配合储能电源实现波动平抑，保证电网平稳运行。保证电网平稳运行。保证电网平稳运行。


技术研发人员：肖刚 黄福彦 张天文 帅威 罗保洋 应浩天 黄羿珲 张添 祝子棱
受保护的技术使用者：浙江大学
技术研发日：2023.07.06
技术公布日：2023/8/6