本发明涉及重力储能发电，具体涉及一种重力储能与新能源并网发电的运行优化系统及方法。
背景技术：
1、我国正持续加快新型电力系统建设进程，但随着风电和光伏装机渗透率不断提升，电力系统面临的稳定性问题日益突出。在维持系统整体稳定性及实现高比例可再生能源消纳方面，储能技术提供了有效解决途径。
2、我国积极探索高质量、大规模的新型储能技术，其中，基于离散质量块的重力储能技术因其工作原理简单及储能效率较高的优点，得到了大力支持。2021年science周刊发表论文称重力储能可作为一种替代电化学储能技术的有效方案。重力储能工作原理与抽水蓄能类似，将储能介质由抽水蓄能中的“水”换成离散的固体介质，主要对标能量型储能，属于长时大容量储能，可以在电力系统中发挥电能昼夜转移和提高系统整体稳定性功能。
3、储能系统是可再生能源的快速发展及有效利用的关键因素，平抑可再生能源不稳定的特性；因此，储能系统是电源侧、电网侧、用户侧之间的高效缓冲剂，在未来可再生能源大发展的趋势下，必将发挥越来越重要的作用。其中，重力储能系统的优势包括：首先，其无地形/地质依赖性、安全环保无爆炸危险，可以利用各种地形条件建设大容量的储能系统；其次，重力储能在电网中的作用不仅仅是替代现有储能方案，尤其是在我国水资源匮乏但风光资源丰富的三北地区，它还为现有储能系统的增容、扩容提供了更优、更便捷的解决途径。
4、目前，鲜有人针对重力储能系统与太阳能发电机组耦合发电下进行负荷预测、重力储能系统释能模式和储能模式等进行优化控制，特别是由于太阳能发电量受天气、日照时间等因素影响较大时，太阳能发电量也受到严重影响。当日照强且风力大时，太阳能和风能将给电网带来巨大的负荷冲击，这种情况下，参与调峰调频的火电机组均运行在深调工况，甚至停机；当天气状况较差时或者晚间用电高峰期，太阳能将不再产生任何作用，而此刻参与调峰的机组将达到较高出力，满足用电需求。由于电网负荷随时波动，受调峰调频的影响，增加了太阳能与重力储能耦合发电系统的运行优化的难度，使得太阳能与重力储能耦合发电的运行效率低。
技术实现思路
1、本发明的目的在于提供一种重力储能与新能源并网发电的运行优化系统，以解决现有技术中针对太阳能发电和电网负荷典型场景选取的随机性与不确定性导致太阳能与重力储能耦合发电的运行效率低的问题。
2、为了解决上述问题，本发明的一种重力储能与新能源并网发电的运行优化系统的技术方案是：
3、一种重力储能与新能源并网发电的运行优化系统，包括：电网、太阳能发电系统、重力储能系统和神经网络控制系统；
4、所述太阳能发电系统，分别连接至电网及重力储能系统，用于电能的产生和输出；
5、所述重力储能系统，连接所述太阳能发电系统并连接至电网，用于接收电能并存储以及释放电能并输出；
6、所述神经网络控制系统，连接至所述重力储能系统，用于控制重力储能系统的运行；
7、所述电网，连接所述重力储能系统和太阳能发电系统，用于接收电能。
8、可选地，所述神经网络控制系统包括：
9、输入层模块，用于输入影响重力储能与新能源并网发电的干扰因素，并输送至隐藏层模块；
10、隐藏层模块，用于分析干扰因素，并将分析结果输出至输出层模块；
11、输出层模块，用于接收分析结果，并根据分析结果控制重力储能系统的运行。
12、可选地，所述隐藏层模块包括：
13、神经网络控制模型，所述神经网络控制模型包括深度神经网络模型，深度神经网络模型由隐藏层模块中的多个隐藏层的神经网络模型组成，用于对电网用电需求和太阳能发电系统产生的电能进行预测；
14、神经网络预测模型，用于表征电网用电需求和太阳能发电系统产生的电能的预测信息。
15、可选地，所述神经网络控制模型还包括：
16、xgboost模型，用于分析干扰因素对重力储能系统运行的影响程度。
17、可选地，所述重力储能系统的运行模式包括储能模式和释能模式，所述储能模式应用于电网用电需求低于太阳能发电系统产生的电能时，重力储能系统将电能进行存储；所述释能模式应用于电网用电需求高于太阳能发电系统产生的电能时，重力储能系统将电能进行释放并输出至电网中。
18、可选地，所述储能模式包括重力储能系统运行保持模块和重力储能系统运行调整模块：
19、所述重力储能系统运行保持模块，用于在太阳能发电功率大于或者等于重力储能系统充电功率时，重力储能系统在额定功率下持续正常运行；
20、所述重力储能系统运行调整模块，用于在太阳能发电功率小于重力储能系统额定充电功率时，重力储能系统无法在额定功率下持续正常运行，对系统运行状态进行调整。
21、可选地，所述重力储能系统运行调整模块包括：
22、电网补偿模块，用于电网提供重力储能系统的充电功率缺额，使得太阳能发电功率与重力储能系统充电功率相匹配；
23、重力储能系统释能模块，用于重力储能系统释能来降低重力储能系统的充电功率，使得太阳能发电功率与重力储能系统充电功率相匹配。
24、为了解决上述问题，本发明提出的一种重力储能与新能源并网发电的运行优化方法的技术方案是：
25、一种重力储能与新能源并网发电的运行优化方法，包括以下步骤：
26、s1、通过太阳能发电系统产生电能；
27、s2、通过神经网络控制系统预测电网用电需求和太阳能发电系统产生的电能，两者进行大小对比，进而控制重力储能系统的运行：
28、若电网用电需求等于太阳能发电系统产生的电能，则转s3；
29、若电网用电需求小于太阳能发电系统产生的电能，则转s4；
30、若电网用电需求大于太阳能发电系统产生的电能，则转s5；
31、s3、重力储能系统不运行，太阳能发电系统输出电能至电网，电网接收电能；
32、s4、太阳能发电系统输出电能至电网，电网接收电能；同时太阳能发电系统将多余的电能输出至重力储能系统，实现电能的存储；
33、s5、太阳能发电系统输出电能至电网，同时重力储能系统释放电能并输出至电网，电网接收电能。
34、可选地，s2中，所述神经网络控制系统包括输入层模块、隐藏层模块和输出层模块，所述隐藏层模块包括神经网络控制模型和神经网络预测模型，所述神经网络控制模型包括深度神经网络模型，所述通过神经网络控制系统预测电网用电需求和太阳能发电系统产生的电能具体包括：
35、通过深度神经网络模型分析由输入层模块输入的影响重力储能与新能源并网发电的干扰因素，得出电网用电需求和太阳能发电系统产生的电能的预测信息并建立神经网络预测模型。
36、可选地，所述神经网络控制模型还包括xgboost模型，所述通过神经网络控制系统预测电网用电需求和太阳能发电系统产生的电能还包括：
37、基于深度神经网络模型的预测和xgboost模型的预测，建立基于误差倒数法的dnn-xgboost模型组合模型，对两种模型的预测结果进行加权组合得到组合模型的预测值，所述误差倒数法的数学表达式如下：
38、yd_x,j＝wdydj+wxyxj
39、
40、其中，yd_x,j为组合模型的预测值，wd与wx分别为深度神经网络模型与xgboost模型的预测值的权重系数，εd与εx分别为深度神经网络模型与xgboost模型预测值的误差，ydj与yxj分别为深度神经网络模型与xgboost模型的预测值。
41、与现有技术相比，本技术提供的一种重力储能与新能源并网发电的运行优化系统及方法，其主要是基于深度神经网络算法的耦合太阳能与重力储能耦合发电的相关信息的预测及运行优化方法。重力储能与新能源并网发电的运行优化系统包括电网、太阳能发电系统、重力储能系统和神经网络控制系统，其中，通过神经网络控制系统控制重力储能系统的运行。当电网用电需求低于太阳能发电系统产生的电能时，新能源供电能力充盈，太阳能发电系统输出电能至电网，同时神经网络控制系统控制重力储能系统运行，太阳能发电系统将多余的电能输出至重力储能系统，重力储能系统将质量块从低势能位的堆栈平台拖至高势能位的堆栈平台，将电能存储为质量块的重力势能，实现电能的存储；当电网用电需求高于太阳能发电系统产生的电能时，新能源供电能力不足，太阳能发电系统输出电能至电网，同时神经网络控制系统控制重力储能系统运行，即重力储能系统调峰运行，重力储能系统的质量块将从高势能位运行至低势能位，通过传动装置拖动发电机向电网反馈电。上述重力储能与新能源并网发电的运行优化系统及方法能够针对太阳能发电和电网负荷典型场景选取的随机性与不确定性，通过神经网络控制系统对重力储能系统运行进行很好的控制，提高了太阳能与重力储能耦合发电的运行效率低的问题。
42、通过在神经网络控制系统中的输入层模块输入影响重力储能与新能源并网发电的干扰因素，并通过隐藏层模块分析，将分析结果通过输出层模块输出并根据分析结果来控制重力储能系统的运行，便于更加准确的控制重力储能系统的运行。
43、隐藏层模块包括神经网络控制模型和神经网络预测模型，通过神经网络控制模型中的深度神经网络模型对电网用电需求和太阳能发电系统产生的电能进行预测，并将预测信息构建神经网络预测模型，优化了重力储能与新能源并网发电的运行系统，减小其受到天气、日照时间的影响，更加准确地判断电网用电需求和太阳能发电系统产生的电能之间的大小，更加准确的控制重力储能系统的运行。
44、通过将深度神经网络模型和xgboost模型加权组合，可以进一步提升神经网络控制模型预测的准确性，并分析出神经网络控制模型中各因素对储能系统运行优化影响的重要程度，有利于电网从各因素的重要程度上提出提升系统消纳能力的不同改进措施。
45、采用误差倒数法将两个模型的预测结果进行加权组合得到最终的预测值，误差倒数法将赋予误差小的模型较大的权值系数，从而使整个组合模型误差趋于减小，得到误差更小的预测值，达到提升整体预测精度的效果。
46、重力储能系统的运行模式包括储能模式和释能模式，通过控制运行储能模式和释能模式，使得重力储能与新能源并网发电的运行优化系统更加准确的应用在电网用电需求低于或高于太阳能发电系统产生的电能的时候。
47、储能模式包括重力储能系统运行保持模块和重力储能系统运行调整模块，通过对比太阳能发电功率和重力储能系统充电功率的大小对储能模式进行调整，充分保证重力储能系统中储能模式的运行。
48、重力储能系统运行调整模块包括电网补偿模块和重力储能系统释能模块，通过考虑新能源电价与电网基准电价以及重力储能系统的充电效益，选择更加准确的调整模块，更好地匹配新能源发电功率与重力储能系统充电功率。
1.一种重力储能与新能源并网发电的运行优化系统，其特征在于，包括：电网、太阳能发电系统、重力储能系统和神经网络控制系统；
2.根据权利要求1所述的重力储能与新能源并网发电的运行优化系统，其特征在于，所述神经网络控制系统包括：
3.根据权利要求2所述的重力储能与新能源并网发电的运行优化系统，其特征在于，所述隐藏层模块包括：
4.根据权利要求3所述的重力储能与新能源并网发电的运行优化系统，其特征在于，所述神经网络控制模型还包括：
5.根据权利要求1所述的重力储能与新能源并网发电的运行优化系统，其特征在于，所述重力储能系统的运行模式包括储能模式和释能模式，所述储能模式应用于电网用电需求低于太阳能发电系统产生的电能时，重力储能系统将电能进行存储；所述释能模式应用于电网用电需求高于太阳能发电系统产生的电能时，重力储能系统将电能进行释放并输出至电网中。
6.根据权利要求5所述的重力储能与新能源并网发电的运行优化系统，其特征在于，所述储能模式包括重力储能系统运行保持模块和重力储能系统运行调整模块：
7.根据权利要求6所述的重力储能与新能源并网发电的运行优化系统，其特征在于，所述重力储能系统运行调整模块包括：
8.一种重力储能与新能源并网发电的运行优化方法，其特征在于，基于权利要求1-7任一项所述的重力储能与新能源并网发电的运行优化系统，包括以下步骤：
9.根据权利要求8所述的重力储能与新能源并网发电的运行优化方法，其特征在于，s2中，所述神经网络控制系统包括输入层模块、隐藏层模块和输出层模块，所述隐藏层模块包括神经网络控制模型和神经网络预测模型，所述神经网络控制模型包括深度神经网络模型，所述通过神经网络控制系统预测电网用电需求和太阳能发电系统产生的电能具体包括：
10.根据权利要求9所述的重力储能与新能源并网发电的运行优化方法，其特征在于，所述神经网络控制模型还包括xgboost模型，所述通过神经网络控制系统预测电网用电需求和太阳能发电系统产生的电能还包括：
