基于GRU算法的弃电量预测及电-氢混合储能系统的运行优化

风/光等可再生能源的高渗透接入将增强电源侧输出随机性与波动性,导致弃风、弃光现象时常存在,将弃风/光量制氢是解决可再生能源深度消纳的有效途径。本文提出基于Adam优化的门控循环单元神经网络算法(GRU)对风/光弃电量进行预测,利用拉丁超立方和同步回代削减算法生成典型风/光发电不确定性场景。以系统建设成本最小化和运营成本最小化为目标,构建双层目标函数,第1层优化碱性电解槽(AWE)和电池储能系统(BESS)的容量配置,第2层保证系统在生成场景中运行最佳,同时引入惩罚项,以最大限度利用风/光弃电。以西北某地区风/光弃电量数据为例,采用不同结构的神经网络算法对弃风/光量进行预测,通过比较不同算法的均方根误差,验证了所提算法的准确性。最后对3种不同储能方案进行优化运行分析,研究结果表明,仅采用BESS系统年利润为负数且年投资成本最高,采用BESS-AWE混合储能系统比仅采用AWE系统年投资成本增加15.66%,但年利润增加了255%,弃电利用率为92%,有效提高系统经济性。