|
电话：15313702523
利用AVOA-SAGAN方法平滑Discover蓄电池储能系统中的太阳能波动
光伏引发的电力波动阻碍了大规模太阳能进入电网，因为它们会造成频率偏差、电压变化和输出功率质量下降等多种不稳定性。提出将电池储能系统（BESS）结合光伏平滑技术作为解决这些问题的方案。本手稿提出了一种混合方法用于太阳能波动平滑BESS。该方法结合了非洲秃鹫优化算法（AVOA）和自注意生成对抗网络（SAGAN），称为AVOA-SAGAN技术。该方法的主要目标是最小化误差并实现最佳性能。AVOA优化了电池的放电和充电流程。SAGAN用于预测太阳能电力的波动。该技术与MATLAB平台上的其他现有技术进行了比较。该方法在所有现有方法（如蜂群优化和野马优化）中均有改进。现有方法的误差分别为0.4、0.3和0.2，而拟议方法的误差更低，仅为0.1。该方法的稳定时间也较低，仅为172毫秒。结果显示，与现有方法相比，所提方法表现更好。
简介
可再生能源固有的间歇性和不可预测性必须通过太阳能发电与BESS的结合来解决[1]。当太阳能发电量因天气和时间变化而变化时，平衡供需变得具有挑战性[2]。通过在高发电时间储存更多太阳能，在低太阳能输出期释放，BESS有效平滑这些振荡[3]。这一策略增强了电网整合，提高了太阳能系统的可靠性和稳定性，为更稳健、可持续的能源未来打开了大门[4]。就像食物和水一样，能量是我们环境中一切事物的必需品[5]。随着时间推移，地球人口增加，而这种增长与能源消耗成正比[6]。全球发展最快的能源技术之一是可再生能源[7]。由于其资源丰富且能够低成本无碳排放地发电，太阳能成为首选[8]。然而，由于太阳能本身的不稳定特性，系统难以持续供电[9]。
电力间歇性导致频率变化、电压阻碍和高峰值负载，所有这些都会推动集成电网陷入停电或停电[10]。因此，在太阳能光伏（PV）电力能够被精确分配到电网之前，必须先进行平滑处理[11]。ESS与可再生能源资源的集成使电力供应的调节、管理和最佳运行成为可能[12]。然而，EES成本高昂，且直接影响系统整体经济可行性[13]。广泛可得的ESS包括燃料电池、飞轮、超级电容器、超级电感器和电池[14,15]。BESS是讨论的存储技术中成本最低且前景最有前景的[16,17]。将大规模太阳能纳入电网面临诸如管理太阳能不稳定和多变性等挑战，这些因素可能导致供需失衡。它还影响电网稳定性，需要更好的控制系统、能源储存和基础设施升级。此外，调整法规和市场机制以支持高太阳能渗透仍是关键难题。
Zhang 等人[18]提出了利用BES来减少太阳能电力波动的观点。一种新颖的神经网络模型预测控制技术被提出用于太阳能平滑和BESS。与通常使用的MPC不同，后者利用植物的数学模型进行预测优化，建议的控制器创建了植物特有的神经网络。NN可以获得更高的精度，并更好地捕捉植物的动态。当收集更多投入-产出工厂数据时，NN工厂模型的准确性进一步提升。
郭等人[19]发现了太阳能波动通过BES平滑化。使用对环境有益的可再生能源以抵消过高的能源需求的需求大幅增加。大规模的可变光伏（PV）电力渗透会引起多种不稳定现象，包括频率变化、电压波动以及总输出功率质量下降。储能技术，如BESS，被整合进电网以抵消这些不规则趋势。
Behera和Saikia[20]展示了如何利用BES平滑太阳能振荡。通过多种技术，包括高斯滤波、低通滤波和移动平均，BESS平衡了太阳能光伏发电的产生。显然，上述所有技术都产生了平滑且可调制的动力;然而，移动平均和低通滤波器的性能较差，尤其是在使用较大窗口大小和时间常数时。因此，存储系统的性能下降。
M A Elaziz等人[21]向蒸馏器引入了旋转球形球体，并研究了它在0至2转/分钟不同转速下，无论有无灯芯对输出的影响。此外，还研究了预热给水至不同温度（45–70°C）的有效性及其与旋转球机制的关系。所用模型包括独立的长短期记忆（LSTM），由爬行动物搜索算法优化，侏儒猫鼬优化算法，灰狼优化器，三角拓扑聚合优化器和魔鬼鱼觅食优化器。这些信息是从模型中获得的。
Patel等人[22]提出了太阳能波动随BES平滑化。本文全面回顾了关于高功率ESS风电平滑的关键研究。首先，对多种储能方法进行了研究和对比，并概述了每种技术的主要即时用途。随后对风电平滑的文献进行了重新评估，展示了方法随时间的变化。
Cano等人[23]提出了太阳能波动通过BES平滑化。储能系统的能量缓冲器作为控制机制，减轻风能或太阳能输出带来的功率或电压突然变化的影响。通过控制储能单元的能量缓冲器，可以控制能量储存的放电和充电过程，从而控制功率输出和电压的变化速率。
Kumar等人[24]提出了利用BES平滑太阳能波动的方法。利用带有BESSS的模糊逻辑功率控制系统来平滑风力涡轮机输出的电力。虽然ESS的电荷状态（SoC）保持在工作范围内，模糊控制逻辑能够完成上述任务。研究了两种运行场景：为评估模糊逻辑功率控制在允许范围内保持电荷状态的效果，采用了两种场景。
A Elsheikhet al. [25] 引入了一种开创性的邪镜太阳蒸馏器，配备了进料间隔喷嘴和灯芯材料，以提高蒸馏槽内的汽化速率，进而促进淡水生产。建造并测试了两台配备双斜坡盖的太阳能蒸馏器，以及一台参考双斜面太阳蒸馏器和一台带有棱镜盆、两个斜坡盖和喷嘴的改良型太阳能蒸馏器。此外，他们构建了一个混合人工智能框架，其中包含通过长城建设算法（GWCA）优化的LSTM神经网络。
一台经过改装的Elsheikhet型太阳能蒸馏器与外部冷凝器和真空管相连。为了确定LSTM模型中提升预报准确性的理想内部因素，混合LSTM模型中包含了一个蛾-火焰优化器（MFO）作为子程序。该型号的性能与单独使用的LSTM模型形成了对比。利用普通蒸馏器和定制蒸馏器的实验数据，训练并评估了这两个生成的模型。
当前的研究重点是将BESS与太阳能结合，以提升电网稳定性，更好地利用可再生能源，并减少能源浪费。当BESS正常运行时，它通过调整能源系统以满足需求，并在高发电期储存多余能量，帮助调节频率。包括遗传算法、物理神经系统（PSO）和人工神经网络在内的多种技术已被探索以应对这些挑战。目标是提升能源节约、支持可再生能源，并推广节能技术，以最大限度地减少环境影响并提升可持续性。此外，综述文献揭示了太阳能蒸馏系统存在若干研究空白。目前对替代优化算法的探索有限，旋转速度、预热温度和灯芯材料等操作参数的综合影响尚未被充分研究。此外，虽然采用了传统人工智能框架如LSTM，但与先进或更新的人工智能技术的比较仍然不足。还需要更多关注这些模型的现实适用性和可扩展性，以及超越生产力和预测准确性的更广泛绩效指标评估。文献中很少有基于方法的研究来解决这个问题;这些不足和问题正是激发了这项研究工作的动力。
以下是该手稿主要贡献的摘要：
- •
该研究引入了一种通过结合非洲秃鹫优化算法（AVOA）和自我注意力生成对抗网络（SAGAN）等两种先进技术，来平滑太阳能波动的新方法。这种独特的组合有助于改善太阳能的管理方式。
- •
这项研究提出了一种利用BESS处理太阳能电力突变的新方法。AVOA用于优化电池的充放电方式，提高能量储存效率。
- •
SAGAN技术用于更准确地预测太阳能发电的变化。这有助于更好地调整储能系统以应对波动。
- •
该方法的主要目标是最小化误差，实现太阳能管理的最佳性能。AVOA和SAGAN的集成旨在减少错误，确保最佳结果。
- •
该策略在MATLAB平台上进行了全面测试，并与现有方法进行了对比，展示了显著的性能提升并验证了其有效性。