CN109615151A - 一种负荷储能双优化的预测方法、装置和介质 - Google Patents
一种负荷储能双优化的预测方法、装置和介质 Download PDFInfo
- Publication number
- CN109615151A CN109615151A CN201910016341.0A CN201910016341A CN109615151A CN 109615151 A CN109615151 A CN 109615151A CN 201910016341 A CN201910016341 A CN 201910016341A CN 109615151 A CN109615151 A CN 109615151A
- Authority
- CN
- China
- Prior art keywords
- energy storage
- matrix
- cost
- load
- parameter
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000004146 energy storage Methods 0.000 title claims abstract description 146
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000005457 optimization Methods 0.000 title claims abstract description 33
- 239000011159 matrix material Substances 0.000 claims abstract description 141
- 230000005611 electricity Effects 0.000 claims abstract description 56
- 238000012549 training Methods 0.000 claims abstract description 50
- 238000003062 neural network model Methods 0.000 claims abstract description 40
- 238000011478 gradient descent method Methods 0.000 claims abstract description 24
- 238000013528 artificial neural network Methods 0.000 claims abstract description 21
- 238000003860 storage Methods 0.000 claims abstract description 16
- 230000006870 function Effects 0.000 claims description 72
- 238000011068 loading method Methods 0.000 claims description 15
- 230000001537 neural effect Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 238000010276 construction Methods 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 6
- 238000005553 drilling Methods 0.000 claims description 6
- 230000000452 restraining effect Effects 0.000 claims description 6
- 230000001131 transforming effect Effects 0.000 claims description 6
- 241000208340 Araliaceae Species 0.000 claims description 5
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims description 5
- 235000003140 Panax quinquefolius Nutrition 0.000 claims description 5
- 235000008434 ginseng Nutrition 0.000 claims description 5
- 210000005036 nerve Anatomy 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 2
- 238000006243 chemical reaction Methods 0.000 claims 2
- 238000010586 diagram Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000017105 transposition Effects 0.000 description 2
- 240000002853 Nelumbo nucifera Species 0.000 description 1
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 1
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000012384 transportation and delivery Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0206—Price or cost determination based on market factors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Accounting & Taxation (AREA)
- Game Theory and Decision Science (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明实施例公开了一种负荷储能双优化的预测方法、装置和计算机可读存储介质,初始化神经网络的网络参数;其中,网络参数包括权重参数、偏置参数和新引进的储能参数;利用初始化后的网络参数构建神经网络模型;建立包含负荷成本和储能成本的目标函数和约束条件;基于目标函数和约束条件,利用梯度下降法对所述神经网络模型进行训练,得到包含负荷成本矩阵和储能成本矩阵的训练结果。通过将改进的神经网络模型和梯度下降法结合,实现了微网中售电公司、大用户成本最优的负荷和储能的双优化预测,有效的节省了储能和负荷预测所花费的时间和成本,并且便于售电公司在电力市场中提交更优的申报方案。
Description
技术领域
本发明涉及电网技术领域,特别是涉及一种负荷储能双优化的预测方法、装置和计算机可读存储介质。
背景技术
电力市场是保持电力系统稳定运行和管理的重要环节,随着电力市场去管制化在全球范围内的愈演愈烈,负荷预测成为电力市场中维持电力系统供需平衡非常重要的部分。储能在电力市场中作为一种可转移负荷,可以有效应对电力系统的稳定性和可靠性。
储能在微网中应用比较广泛,可以有效减少电网中由于新能源发电的间歇性引起的波动性,同样在需求侧响应的“削峰填谷”中发挥重要作用。故在电网中准确的负荷预测和合理的储能不仅可以有效维护电力系统持续健康发展,同样可以在分时电价或者电价随着市场需求变动的时候,有效降低微网中售电公司、大用户的成本。
在现有的微网规划运行中,负荷预测和储能优化通常作为两个步骤来完成。随着新能源的广泛应用和电力系统的调度存在一定的时延,电力市场往往瞬息万变,此时两个优化耗费的时间会错过最佳交易时机,降低了售电公司、大用户的市场敏感度和决策准确性。
可见,如何节省储能和负荷预测花费的时间,是本领域技术人员亟待解决的问题。
发明内容
本发明实施例的目的是提供一种负荷储能双优化的预测方法、装置和计算机可读存储介质,可以节省储能和负荷预测花费的时间和成本。
为解决上述技术问题,本发明实施例提供一种负荷储能双优化的预测方法,包括:
初始化神经网络的网络参数;其中,所述网络参数包括权重参数、偏置参数和储能参数;
利用初始化后的网络参数构建神经网络模型;
建立包含负荷成本和储能成本的目标函数和约束条件;
基于所述目标函数和所述约束条件,利用梯度下降法对所述神经网络模型进行训练,得到包含负荷成本矩阵和储能成本矩阵的训练结果。
可选的,所述初始化神经网络的网络参数包括:
利用如下公式,设置储能参数的初始值,
ES=Pes min+(Pes max-Pes min)*rand;
其中,ES为训练集中的储能矩阵,Pes min为电储能功率的最小值;Pes max为电储能功率的最大值;rand表示随机生成一个与储能矩阵型相同的矩阵,其中各元素均为0到1之间的随机数;*表示矩阵点乘或矩阵与常数相乘;
利用均值为0标准差为的高斯随机分布初始化权重参数;其中,num表示权重对应层的神经元数量;
利用均值为0标准差为1的高斯分布初始化偏置参数。
可选的,所述建立包含负荷成本和储能成本的目标函数和约束条件包括:
基于成本最小化为目标,构建目标函数,其公式如下,
其中,O表示总成本目标矩阵;Cos tlo表示负荷成本矩阵;Cos tes表示储能成本矩阵;T为神经网络训练集的实际消耗负荷矩阵;Y表示申报负荷矩阵;Ees min为电储能能量的最小值;Ees max为电储能能量的最大值;
其中,P_da为日前市场的电价矩阵,日前市场的电价矩阵中第j行第n列的元素记为pdajn;P_rt为实时市场的电价矩阵,实时市场的电价矩阵中第j行第n列的元素记为prtjn。
可选的,基于所述目标函数和所述约束条件,利用梯度下降法对所述神经网络模型进行训练,得到包含负荷成本矩阵和储能成本矩阵的训练结果包括:
依据内点法将带约束的目标函数转化为无约束的目标函数,其公式如下,
其中,const为目标函数中由内点法转换后的约束矩阵;r表示转换后约束条件的调节系数;
基于所述无约束的目标函数,利用梯度下降法对所述神经网络模型进行训练,直至所述神经网络模型满足预设条件,则输出包含负荷成本矩阵和储能成本矩阵的训练结果。
本发明实施例还提供了一种负荷储能双优化的预测装置,包括初始化单元、模型构建单元、函数建立单元和训练单元;
所述初始化单元,用于初始化神经网络的网络参数;其中,所述网络参数包括权重参数、偏置参数和储能参数;
所述模型构建单元,用于利用初始化后的网络参数构建神经网络模型;
所述函数建立单元,用于建立包含负荷成本和储能成本的目标函数和约束条件;
所述训练单元,用于基于所述目标函数和所述约束条件,利用梯度下降法对所述神经网络模型进行训练,得到包含负荷成本矩阵和储能成本矩阵的训练结果。
可选的,所述初始化单元包括储能初始子单元、权重初始子单元和偏置初始子单元;
所述储能初始子单元,用于利用如下公式,设置储能参数的初始值,
ES=Pes min+(Pes max-Pes min)*rand;
其中,ES为训练集中的储能矩阵,Pes min为电储能功率的最小值;Pes max为电储能功率的最大值;rand表示随机生成一个与储能矩阵型相同的矩阵,其中各元素均为0到1之间的随机数;*表示矩阵点乘或矩阵与常数相乘;
所述权重初始子单元,用于利用均值为0标准差为的高斯随机分布初始化权重参数;其中,num表示权重对应层的神经元数量;
所述偏置初始子单元,用于利用均值为0标准差为1的高斯分布初始化偏置参数。
可选的,所述函数建立单元具体用于基于成本最小化为目标,构建目标函数,其公式如下,
其中,O表示总成本目标矩阵;Cos tlo表示负荷成本矩阵;Cos tes表示储能成本矩阵;T为神经网络训练集的实际消耗负荷矩阵;Y表示申报负荷矩阵;Ees min为电储能能量的最小值;Ees max为电储能能量的最大值;
其中,P_da为日前市场的电价矩阵,日前市场的电价矩阵中第j行第n列的元素记为pdajn;P_rt为实时市场的电价矩阵,实时市场的电价矩阵中第j行第n列的元素记为prtjn。
可选的,所述训练单元包括转化子单元和优化子单元;
所述转化子单元,用于依据内点法将带约束的目标函数转化为无约束的目标函数,其公式如下,
其中,const为目标函数中由内点法转换后的约束矩阵;r表示转换后约束条件的调节系数;
所述优化子单元,用于基于所述无约束的目标函数,利用梯度下降法对所述神经网络模型进行训练,直至所述神经网络模型满足预设条件,则输出包含负荷成本矩阵和储能成本矩阵的训练结果。
本发明实施例还提供了一种负荷储能的预测装置,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序以实现如上述负荷储能双优化的预测方法的步骤。
本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如上述负荷储能双优化的预测方法的步骤。
由上述技术方案可以看出,初始化神经网络的网络参数;其中,网络参数包括权重参数、偏置参数和新引进的储能参数;利用初始化后的网络参数构建神经网络模型;将储能参数作为改进网络的一个网络参数,与原网络参数的偏置和权重一起参与学习迭代,使得改进后的网络模型具有更高的效率和针对性。建立包含负荷成本和储能成本的目标函数和约束条件;基于目标函数和约束条件,利用梯度下降法对所述神经网络模型进行训练,得到包含负荷成本矩阵和储能成本矩阵的训练结果。通过将改进的神经网络模型和梯度下降法结合,实现了微网中售电公司、大用户成本最优的负荷和储能的双优化预测,有效的节省了储能和负荷预测所花费的时间和成本,并且便于售电公司在电力市场中提交更优的申报方案。
附图说明
为了更清楚地说明本发明实施例,下面将对实施例中所需要使用的附图做简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种负荷储能的预测方法的流程图;
图2为本发明实施例提供的一种神经网络模型的示意图;
图3为本发明实施例提供的一种负荷储能的预测装置的结构示意图;
图4为本发明实施例提供的一种负荷储能的预测装置的硬件结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下,所获得的所有其他实施例,都属于本发明保护范围。
为了使本技术领域的人员更好地理解本发明方案,下面结合附图和具体实施方式对本发明作进一步的详细说明。
接下来,详细介绍本发明实施例所提供的一种负荷储能双优化的预测方法。图1为本发明实施例提供的一种负荷储能双优化的预测方法的流程图,该方法包括:
S101:初始化神经网络的网络参数。
其中,网络参数包括权重参数、偏置参数和新引进的储能参数。
传统的前向神经网络参数为权重和偏置,在本发明实施例中,改进的神经网络参数还引进了储能作为一个新的网络自变量参数,以达到负荷和储能同时优化的效果。
初始化神经网络的网络参数,确保网络参数的初始值在约束条件范围内,从而加快训练速度。
在具体实现中,可以利用如下公式,设置储能参数的初始值,
ES=Pes min+(Pes max-Pes min)*rand (1);
其中,ES为训练集中的储能矩阵,Pes min为电储能功率的最小值;Pes max为电储能功率的最大值;rand表示随机生成一个与储能矩阵型相同的矩阵,其中各元素均为0到1之间的随机数;*表示矩阵点乘或矩阵与常数相乘。
利用均值为0标准差为的高斯随机分布初始化权重参数;其中,num表示权重对应层的神经元数量。利用均值为0标准差为1的高斯分布初始化偏置参数。
S102:利用初始化后的网络参数构建神经网络模型。
本发明实施例中,在神经网络模型中引入了储能这一网络参数,基于初始化后的网络参数构建的神经网络模型的示意图如图2所示,图2中输入层的特征空间由申报负荷矩阵目标的相关天气特征、电价特征、历史负荷数据组成;隐含层为一定数量的隐含层神经元;输出层为预测负荷。各层之间由权重相连接,隐含层和输出层的每个神经元都带有一个偏置变量,此外在传统神经网络的基础上改进的神经网络模型还单独加入了储能作为网络的指标参数,故训练网络在输出预测负荷矩阵的同时也可以输出储能矩阵。
假设输入层神经元个数为a,隐含层神经元个数为b,输出层神经元数为j。其中,隐含层的输出公式如公式(2)所示,
其中,表示第i次迭代中输入层与隐含层之间的权重矩阵的转置;Bb(i)表示第i次迭代中隐含层的偏置矩阵;X(i)表示第i次迭代中的输入矩阵;Fb[]表示隐含层的传递函数;U(i)表示中间节点输出的矩阵。
在本实施例中隐含层传递函数为sigmoid型传递函数,公式(2)中的符号·表示矩阵乘法。
输出层的输出如公式(3)所示,
其中,表示第i次迭代中隐含层与输出层之间的权重矩阵的转置;Bj(i)表示第i次迭代中输出层的偏置矩阵;Y(i)表示改进神经网络的预测负荷输出矩阵;Fj[]表示输出层的传递函数。
在本发明实施例中,输出层传递函数为线性传递函数purelin。
S103:建立包含负荷成本和储能成本的目标函数和约束条件。
传统的负荷预测研究大多集中于如何提高预测的精度,衡量不同模型的优劣也是以精度作为主要指标。然而在实际应用中,相较于预测的精度,电力市场中的参与者可能更加关心他们的成本,因此在本发明实施例中,以成本最小作为目标函数,其中,成本包括负荷成本和储能成本。
在具体实现中,可以基于成本最小化为目标,构建目标函数,其公式如下,
其中,O表示总成本目标矩阵;Cos tlo表示负荷成本矩阵;Cos tes表示储能成本矩阵;T为神经网络训练集的实际消耗负荷矩阵;Y表示申报负荷矩阵;Ees min为电储能能量的最小值;Ees max为电储能能量的最大值。
上述四个约束条件为与ES同型的矩阵,且矩阵中每个元素都相同。储能功率有一定的大小限制,且除储能以外的其他能量也必须在一定范围以内。在本发明实施例中,由于预测输出负荷为每小时一个点,故可认为本发明实施例中的负荷为除储能功率以外的其他功率,总的功率即为两者之和。由电力市场规则可知,每小时申报的预测负荷和储能的和不能小于零,故约束条件为Y+ES>0。同时考虑到电力市场的稳定性,实际总的消耗功率与申报的总功率之间的差值不能偏离日前总申报功率的±20%,否则可能会引起市场波动。
本发明实施案例提供的负荷储能预测方案主要是面向两级电力市场,需考虑上下两级电力市场的电价,目前全球典型的两级市场由日前电力市场和实时电力市场组成。故负荷成本矩阵和储能成本矩阵表示如下,
其中,P_da为日前市场的电价矩阵,日前市场的电价矩阵中第j行第n列的元素记为pdajn;P_rt为实时市场的电价矩阵,实时市场的电价矩阵中第j行第n列的元素记为prtjn;申报负荷矩阵Y中第j行第n列的元素记为yjn;实际消耗负荷矩阵T中第j行第n列的元素记为tjn;储能矩阵ES中第j行第n列的元素记为esjn。
S104:基于目标函数和约束条件,利用梯度下降法对神经网络模型进行训练,得到包含负荷成本矩阵和储能成本矩阵的训练结果。
在本发明实施例中,神经网络模型的优化训练过程依据梯度下降法的优化思想,基于优化目标即目标函数和优化约束条件对神经网络模型进行优化训练。
在具体实现中,首先可以依据内点法将有约束问题转换为无约束问题,式(4)的目标函数可转换为如下形式,
其中,const为目标函数中由内点法转换后的约束矩阵;r表示转换后约束条件的调节系数。在实际应用中,可以将r取常数。
式(7)中储能能量的约束处理可以引入一个元素全为1的下三角矩阵Φ,如下式(8)所示,
故上述带约束的目标函数可最终转化为下式(9),
将有约束问题转换为无约束问题之后,其次是优化训练过程,与传统前向神经网络以精度为优化目标不同,本发明实施例的优化目标是成本,因此形成算法是对成本进行相应的修正。
具体的,可以基于无约束函数,利用梯度下降法对神经网络模型进行训练,直至神经网络模型满足预设条件,则输出包含负荷成本矩阵和储能成本矩阵的训练结果。
反向传播过程中的相应梯度计算公式如下公式(10)所示,
目标函数关于储能的求导计算公式如下所示,
其中,K矩阵为求导过程中引入的全为1上三角辅助矩阵,本发明实施例中改进的神经网络对网络权重和偏置的求导公式如下所示,
根据公式(10)到(13),改进神经网络的迭代优化过程如下,
其中,μ为梯度下降法中迭代的学习速率,为一个可调的常数。
优化训练过程中,设置的预设条件可以是优化迭代次数达到预先设定的最大迭代次数,预设条件也可以是本次优化迭代的训练结果和上次优化迭代的训练结果的偏差值小于预先设定的限制,则可以结束迭代过程,输出最终的训练结果。
由上述技术方案可以看出,初始化神经网络的网络参数;其中,网络参数包括权重参数、偏置参数和新引进的储能参数;利用初始化后的网络参数构建神经网络模型;将储能参数作为改进网络的一个网络参数,与原网络参数的偏置和权重一起参与学习迭代,使得改进后的网络模型具有更高的效率和针对性。建立包含负荷成本和储能成本的目标函数和约束条件;基于目标函数和约束条件,利用梯度下降法对所述神经网络模型进行训练,得到包含负荷成本矩阵和储能成本矩阵的训练结果。通过将改进的神经网络模型和梯度下降法结合,实现了微网中售电公司、大用户成本最优的负荷和储能的双优化预测,有效的节省了储能和负荷预测所花费的时间和成本,并且便于售电公司在电力市场中提交更优的申报方案。
图3为本发明实施例提供的一种负荷储能的预测装置的结构示意图,包括初始化单元31、模型构建单元32、函数建立单元33和训练单元34;
初始化单元31,用于初始化神经网络的网络参数;其中,网络参数包括权重参数、偏置参数和储能参数;
模型构建单元32,用于利用初始化后的网络参数构建神经网络模型;
函数建立单元33,用于建立包含负荷成本和储能成本的目标函数和约束条件;
训练单元34,用于基于目标函数和约束条件,利用梯度下降法对神经网络模型进行训练,得到包含负荷成本矩阵和储能成本矩阵的训练结果。
可选的,初始化单元包括储能初始子单元、权重初始子单元和偏置初始子单元;
储能初始子单元,用于利用如下公式,设置储能参数的初始值,
ES=Pes min+(Pes max-Pes min)*rand;
其中,ES为训练集中的储能矩阵,Pes min为电储能功率的最小值;Pes max为电储能功率的最大值;rand表示随机生成一个与储能矩阵型相同的矩阵,其中各元素均为0到1之间的随机数;*表示矩阵点乘或矩阵与常数相乘;
权重初始子单元,用于利用均值为0标准差为的高斯随机分布初始化权重参数;其中,num表示权重对应层的神经元数量;
偏置初始子单元,用于利用均值为0标准差为1的高斯分布初始化偏置参数。
可选的,函数建立单元具体用于基于成本最小化为目标,构建目标函数,其公式如下,
其中,O表示总成本目标矩阵;Cos tlo表示负荷成本矩阵;Cos tes表示储能成本矩阵;T为神经网络训练集的实际消耗负荷矩阵;Y表示申报负荷矩阵;Ees min为电储能能量的最小值;Ees max为电储能能量的最大值;
其中,P_da为日前市场的电价矩阵,日前市场的电价矩阵中第j行第n列的元素记为pdajn;P_rt为实时市场的电价矩阵,实时市场的电价矩阵中第j行第n列的元素记为prtjn。
可选的,训练单元包括转化子单元和优化子单元;
转化子单元,用于依据内点法将带约束的目标函数转化为无约束的目标函数,其公式如下,
其中,const为目标函数中由内点法转换后的约束矩阵;r表示转换后约束条件的调节系数;
优化子单元,用于基于无约束的目标函数,利用梯度下降法对神经网络模型进行训练,直至神经网络模型满足预设条件,则输出包含负荷成本矩阵和储能成本矩阵的训练结果。
图3所对应实施例中特征的说明可以参见图1所对应实施例的相关说明,这里不再一一赘述。
由上述技术方案可以看出,初始化神经网络的网络参数;其中,网络参数包括权重参数、偏置参数和新引进的储能参数;利用初始化后的网络参数构建神经网络模型;将储能参数作为改进网络的一个网络参数,与原网络参数的偏置和权重一起参与学习迭代,使得改进后的网络模型具有更高的效率和针对性。建立包含负荷成本和储能成本的目标函数和约束条件;基于目标函数和约束条件,利用梯度下降法对所述神经网络模型进行训练,得到包含负荷成本矩阵和储能成本矩阵的训练结果。通过将改进的神经网络模型和梯度下降法结合,实现了微网中售电公司、大用户成本最优的负荷和储能的双优化预测,有效的节省了储能和负荷预测所花费的时间和成本,并且便于售电公司在电力市场中提交更优的申报方案。
图4为本发明实施例提供的一种负荷储能双优化的预测装置40的硬件结构示意图,包括:
存储器41,用于存储计算机程序;
处理器42,用于执行计算机程序以实现如上述负荷储能的预测方法的步骤。
本发明实施例还提供了一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,计算机程序被处理器执行时实现如上述负荷储能的预测方法的步骤。
以上对本发明实施例所提供的一种负荷储能的预测方法、装置和计算机可读存储介质进行了详细介绍。说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
Claims (10)
1.一种负荷储能双优化的预测方法,其特征在于,包括:
初始化神经网络的网络参数;其中,所述网络参数包括权重参数、偏置参数和储能参数;
利用初始化后的网络参数构建神经网络模型;
建立包含负荷成本和储能成本的目标函数和约束条件;
基于所述目标函数和所述约束条件,利用梯度下降法对所述神经网络模型进行训练,得到包含负荷成本矩阵和储能成本矩阵的训练结果。
2.根据权利要求1所述的方法,其特征在于,所述初始化神经网络的网络参数包括:
利用如下公式,设置储能参数的初始值,
ES=Pesmin+(Pes max-Pesmin)*rand;
其中,ES为训练集中的储能矩阵,Pesmin为电储能功率的最小值;Pesmax为电储能功率的最大值;rand表示随机生成一个与储能矩阵型相同的矩阵,其中各元素均为0到1之间的随机数;*表示矩阵点乘或矩阵与常数相乘;
利用均值为0标准差为的高斯随机分布初始化权重参数;其中,num表示权重对应层的神经元数量;
利用均值为0标准差为1的高斯分布初始化偏置参数。
3.根据权利要求2所述的方法,其特征在于,所述建立包含负荷成本和储能成本的目标函数和约束条件包括:
基于成本最小化为目标,构建目标函数,其公式如下,
其中,O表示总成本目标矩阵;Costlo表示负荷成本矩阵;Costes表示储能成本矩阵;T为神经网络训练集的实际消耗负荷矩阵;Y表示申报负荷矩阵;Eesmin为电储能能量的最小值;Eesmax为电储能能量的最大值;
其中,P_da为日前市场的电价矩阵,日前市场的电价矩阵中第j行第n列的元素记为pdajn;P_rt为实时市场的电价矩阵,实时市场的电价矩阵中第j行第n列的元素记为prtjn。
4.根据权利要求3所述的方法,其特征在于,基于所述目标函数和所述约束条件,利用梯度下降法对所述神经网络模型进行训练,得到包含负荷成本矩阵和储能成本矩阵的训练结果包括:
依据内点法将带约束的目标函数转化为无约束的目标函数,其公式如下,
其中,const为目标函数中由内点法转换后的约束矩阵;r表示转换后约束条件的调节系数;
基于所述无约束的目标函数,利用梯度下降法对所述神经网络模型进行训练,直至所述神经网络模型满足预设条件,则输出包含负荷成本矩阵和储能成本矩阵的训练结果。
5.一种负荷储能双优化的预测装置,其特征在于,包括初始化单元、模型构建单元、函数建立单元和训练单元;
所述初始化单元,用于初始化神经网络的网络参数;其中,所述网络参数包括权重参数、偏置参数和储能参数;
所述模型构建单元,用于利用初始化后的网络参数构建神经网络模型;
所述函数建立单元,用于建立包含负荷成本和储能成本的目标函数和约束条件;
所述训练单元,用于基于所述目标函数和所述约束条件,利用梯度下降法对所述神经网络模型进行训练,得到包含负荷成本矩阵和储能成本矩阵的训练结果。
6.根据权利要求5所述的装置,其特征在于,所述初始化单元包括储能初始子单元、权重初始子单元和偏置初始子单元;
所述储能初始子单元,用于利用如下公式,设置储能参数的初始值,
ES=Pesmin+(Pesmax-Pesmin)*rand;
其中,ES为训练集中的储能矩阵,Pesmin为电储能功率的最小值;Pesmax为电储能功率的最大值;rand表示随机生成一个与储能矩阵型相同的矩阵,其中各元素均为0到1之间的随机数;*表示矩阵点乘或矩阵与常数相乘;
所述权重初始子单元,用于利用均值为0标准差为的高斯随机分布初始化权重参数;其中,num表示权重对应层的神经元数量;
所述偏置初始子单元,用于利用均值为0标准差为1的高斯分布初始化偏置参数。
7.根据权利要求6所述的装置,其特征在于,所述函数建立单元具体用于基于成本最小化为目标,构建目标函数,其公式如下,
其中,O表示总成本目标矩阵;Costlo表示负荷成本矩阵;Costes表示储能成本矩阵;T为神经网络训练集的实际消耗负荷矩阵;Y表示申报负荷矩阵;Eesmin为电储能能量的最小值;Eesmax为电储能能量的最大值;
其中,P_da为日前市场的电价矩阵,日前市场的电价矩阵中第j行第n列的元素记为pdajn;P_rt为实时市场的电价矩阵,实时市场的电价矩阵中第j行第n列的元素记为prtjn。
8.根据权利要求7所述的装置,其特征在于,所述训练单元包括转化子单元和优化子单元;
所述转化子单元,用于依据内点法将带约束的目标函数转化为无约束的目标函数,其公式如下,
其中,const为目标函数中由内点法转换后的约束矩阵;r表示转换后约束条件的调节系数;
所述优化子单元,用于基于所述无约束的目标函数,利用梯度下降法对所述神经网络模型进行训练,直至所述神经网络模型满足预设条件,则输出包含负荷成本矩阵和储能成本矩阵的训练结果。
9.一种负荷储能的预测装置,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序以实现如权利要求1至4任意一项所述负荷储能双优化的预测方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至4任一项所述负荷储能双优化的预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910016341.0A CN109615151B (zh) | 2019-01-08 | 2019-01-08 | 一种负荷储能双优化的预测方法、装置和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910016341.0A CN109615151B (zh) | 2019-01-08 | 2019-01-08 | 一种负荷储能双优化的预测方法、装置和介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109615151A true CN109615151A (zh) | 2019-04-12 |
CN109615151B CN109615151B (zh) | 2023-01-03 |
Family
ID=66016354
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910016341.0A Active CN109615151B (zh) | 2019-01-08 | 2019-01-08 | 一种负荷储能双优化的预测方法、装置和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109615151B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110061524A (zh) * | 2019-05-06 | 2019-07-26 | 中国科学院电工研究所 | 一种基于深度神经网络的分布式电源虚拟电厂有功调度等值聚合方法及系统 |
CN112651770A (zh) * | 2020-12-07 | 2021-04-13 | 山东大学 | 电力现货市场售电商负荷申报优化方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103545846A (zh) * | 2013-11-11 | 2014-01-29 | 湖南大学 | 基于广义负荷预测的微网经济运行方法 |
US20160190805A1 (en) * | 2013-05-06 | 2016-06-30 | Viridity Energy, Inc. | Facilitating revenue generation from wholesale electricity markets based on a self-tuning energy asset model |
CN106532751A (zh) * | 2016-11-18 | 2017-03-22 | 国电南瑞科技股份有限公司 | 一种分布式电源能效优化方法及系统 |
CN106953318A (zh) * | 2017-03-29 | 2017-07-14 | 杭州赫智电子科技有限公司 | 一种基于成本的微电网优化控制方法 |
CN107370170A (zh) * | 2017-06-23 | 2017-11-21 | 浙江大学 | 一种考虑容量电价和负荷预测误差的储能系统容量配置方法 |
CN107831652A (zh) * | 2017-10-13 | 2018-03-23 | 国网河北能源技术服务有限公司 | 一种基于冷端系统储能的机组负荷智能优化控制方法 |
-
2019
- 2019-01-08 CN CN201910016341.0A patent/CN109615151B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160190805A1 (en) * | 2013-05-06 | 2016-06-30 | Viridity Energy, Inc. | Facilitating revenue generation from wholesale electricity markets based on a self-tuning energy asset model |
CN103545846A (zh) * | 2013-11-11 | 2014-01-29 | 湖南大学 | 基于广义负荷预测的微网经济运行方法 |
CN106532751A (zh) * | 2016-11-18 | 2017-03-22 | 国电南瑞科技股份有限公司 | 一种分布式电源能效优化方法及系统 |
CN106953318A (zh) * | 2017-03-29 | 2017-07-14 | 杭州赫智电子科技有限公司 | 一种基于成本的微电网优化控制方法 |
CN107370170A (zh) * | 2017-06-23 | 2017-11-21 | 浙江大学 | 一种考虑容量电价和负荷预测误差的储能系统容量配置方法 |
CN107831652A (zh) * | 2017-10-13 | 2018-03-23 | 国网河北能源技术服务有限公司 | 一种基于冷端系统储能的机组负荷智能优化控制方法 |
Non-Patent Citations (2)
Title |
---|
李成等: "微网系统中储能优化配置研究", 《低压电器》 * |
王晓东等: "基于SCM-ANFIS负荷预测的储能电站调峰控制策略", 《太阳能学报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110061524A (zh) * | 2019-05-06 | 2019-07-26 | 中国科学院电工研究所 | 一种基于深度神经网络的分布式电源虚拟电厂有功调度等值聚合方法及系统 |
CN110061524B (zh) * | 2019-05-06 | 2020-10-09 | 中国科学院电工研究所 | 一种基于深度神经网络的分布式电源虚拟电厂有功调度等值聚合方法及系统 |
CN112651770A (zh) * | 2020-12-07 | 2021-04-13 | 山东大学 | 电力现货市场售电商负荷申报优化方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109615151B (zh) | 2023-01-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7261507B2 (ja) | 電気ヒートポンプ-熱電併給システムを最適化する調整方法及びシステム | |
CN107769237B (zh) | 基于电动汽车接入的多能源系统协同调度方法及装置 | |
CN109034563A (zh) | 一种多主体博弈的增量配电网源网荷协同规划方法 | |
CN110276698A (zh) | 基于多智能体双层协同强化学习的分布式可再生能源交易决策方法 | |
CN111340299B (zh) | 一种微电网多目标优化调度方法 | |
CN105005872A (zh) | 一种移峰填谷的储能系统的容量配置方法 | |
CN107067190A (zh) | 基于深度强化学习的微电网电能交易方法 | |
CN108805268A (zh) | 基于进化算法的深度强化学习策略网络训练方法 | |
CN107067149A (zh) | 一种评估调峰约束下电网购电组合收益及风险的方法 | |
CN103136707B (zh) | 一种土地利用分层配置方法 | |
CN109615151A (zh) | 一种负荷储能双优化的预测方法、装置和介质 | |
CN109299829B (zh) | 光伏温室微能网系统多形态储能配置方法及系统 | |
CN107220889A (zh) | 一种多代理框架下微网社区的分布式资源交易方法 | |
CN108985897A (zh) | 一种智能电网发电侧微分演化博弈竞价方法 | |
CN105654224A (zh) | 一种计及风电不确定性的省级电网月度购电风险管理方法 | |
Shang et al. | Production scheduling optimization method based on hybrid particle swarm optimization algorithm | |
CN108683174B (zh) | 一种基于多时间尺度需求响应模型的网损优化方法 | |
Wang | Application of fuzzy linear programming model in agricultural economic management | |
CN104392317A (zh) | 一种基于遗传文化基因算法的项目调度方法 | |
CN110428345A (zh) | 一种基于增强学习的电网定价方法 | |
Taylor | Environmental and gender feedbacks in macroeconomics | |
CN110298456A (zh) | 集群系统中设备维护排程方法及装置 | |
CN106208122A (zh) | 一种基于hsmm的储能系统控制方法 | |
CN105071421B (zh) | 办公建筑能耗管理方法 | |
CN115239117A (zh) | 基于多目标优化的分类与特征选择方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |