[发明专利]储能参数的配置方法、装置、电子设备及存储介质

权利要求书

1.一种储能参数的配置方法，其特征在于，包括：

获取风电场的当前风力数据，所述当前风力数据包括：当前风速、当前风向余弦和当前风向正弦值；

将所述当前风速、当所述前风向余弦和所述当前风向正弦值输入预先构建的目标动态神经网络，得到预测风力功率；

基于所述预测风力功率和储能成本目标函数，确定储能的最大容量和最大功率；

其中，所述储能的类型包括电储能和热储能；基于所述预测风力功率和预设的储能成本目标函数，确定储能的容量配置，包括：

根据购买成本计算公式和运营成本计算公式确定所述储能的容量配置的成本目标函数；

基于所述预测风力功率和所述储能成本目标函数，确定储电和储热的容量配置；

所述储能成本目标函数为：

C_min＝I_C+O_C

其中，C_min为每天总成本最小值，I_C为储能购买成本，O_C为每天储能运营成本，即储能供应不足时购电的成本和CHP耗气成本；

所述购买成本计算公式为：

其中，为储电设备的最大功率，为储电设备的最大容量，为储热设备的最大功率，为储热设备的最大容量，α为储电设备的单位功率投资系数，β为储电设备的单位容量投资系数，γ为储热设备的单位功率投资系数，χ为储热设备的单位容量投资系数；

所述运营成本计算公式为：

其中，T为一天所划分的总时段，λ^g为天然气统一价格，η_G2P为CHP天然气燃烧转化系数，r为天然气燃烧的热值系数，为t时段的风电过剩功率，为CHP产生的电功率。

2.根据权利要求1所述的储能参数的配置方法，其特征在于，根据购买成本计算公式和运营成本公式确定所述储能容量的配置成本目标函数，包括：

根据预先设定的充放电决策模型和预先设定的充放热决策模型，得到所述运营成本计算公式；

基于所述运营成本计算公式和所述购买成本计算公式，结合储能剩余容量约束和物理特性约束，确定所述储能容量的配置成本目标函数；

所述充放电决策模型为：

其中，为t时段电负荷所需求的充电功率，为t时段电负荷所需求的放电功率，为t时段电网电价，为t时段低谷电价，为t时段高峰电价，为t时段平时电价，η^e,C为储电充电效率，η^e,F为储电放电效率，为储电的剩余容量最高限值，为储电的剩余容量最低限值，为t-1时段结束时刻储电的剩余容量，为t时段结束时刻储电的剩余容量，Δt为时间间隔，为储电设备允许的最大输入输出功率；

所述充放热决策模型为：

其中，为储热设备的充热功率，为储热设备的放热功率，为CHP产生的热功率，η^h,C为储热设备的充热效率，η^h,F为储热设备的放热效率，为储热的储能剩余容量最高限值，为储热的储能剩余容量最低限值，为t-1时段结束时刻储热设备的储能剩余容量，为储热设备允许的最大输入输出功率。

3.根据权利要求1-2中任一所述的储能参数的配置方法，其特征在于，所述目标动态神经网络的构建方法包括：

从预置的风力数据库中获取风力训练样本，所述风力训练样本包括样本风速、样本风向余弦值、样本风向正弦值及对应的功率标签；

基于所述样本风速、所述样本风向余弦值、所述样本风向正弦值及对应的功率标签，构建所述目标动态神经网络。

4.根据权利要求3所述的储能参数的配置方法，其特征在于，基于所述样本风速、所述样本风向余弦值、所述样本风向正弦值及对应的功率标签，构建所述目标动态神经网络，包括：

将所述样本风速、所述样本风向余弦值、所述样本风向正弦值输入动态神经网络模型，生成对应的样本功率；

根据所述样本风力训练样本对应的功率标签和样本功率，确定训练误差；

基于所述训练误差，对所述动态神经模型进行调整，以得到最优网络参数，并采用所述最优网络参数生成目标动态神经网络。