论文部分内容阅读
在我国社会经济不断发展与居民生活生活水平不断提高的形势下,电网负荷峰谷差逐步增大,造成电力系统供需严重不平衡,加上我国近年来大力发展以太阳能为代表的可再生能源,但光伏发电呈现随机性和反调峰的特点,造成电网调峰压力日益增加,而随着储能技术的发展,储能系统进行削峰填谷已经普及开来,如何将储能的性能优势应用于削峰填谷中成为现今研究的热点问题。本文将负荷预测应用于光储系统,对光储系统削峰填谷和经济性方面进行了深入研究:首先,本文对负荷预测进行分类,分析了负荷预测特性及预测误差指标,对历史负荷数据进行了预处理并规划了预测的基本过程;分析了光伏特性,储能电池性能以及光伏储能系统的四种运行模式。其次,基于深度学习,本文推导了多层感知器的误差传导过程,并搭建了多层感知器的负荷预测模型,针对多层感知器在时序性方面的不足,本文对循环神经网络的展开结构进行了分析,对其训练过程进行了公式推导,并搭建了循环神经网络预测模型,基于循环神经网络梯度消失现象,本文采用LSTM模型,对梯度消失和梯度爆炸现象进行了公式推导,以及对LSTM进行反向推导,并搭建了LSTM预测模型,针对LSTM模型在长序列方面的不足,本文引入了attention机制,搭建了基于attention机制的LSTM预测模型。通过以上四种预测模型对负荷进行预测,并对预测结果进行对比分析,为削峰填谷提供数据支持。然后,以用户侧日负荷预测曲线为研究对象,分析了光储系统削峰填谷优化模型中的目标函数、约束条件和评价指标,采用了恒功率充放电、变功率充放电和基于Hopfield神经网络三种光储优化策略进行削峰填谷,并从峰谷差、峰谷系数、峰谷差率和标准差四个方面对削峰填谷效果进行了分析。最后,从削峰填谷的基础上,搭建了考虑经济性和削峰填谷效果的的多目标优化模型,分析了光储系统多目标函数。在单目标粒子群群算法的基础上,采用基于Pareto支配的多目标粒子群算法对光储系统的经济性和削峰填谷效果进行多目标优化,得到多目标Pareto前沿图,并对结果进行了分析。