CN110061524B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN110061524B CN110061524B CN201910370922.4A CN201910370922A CN110061524B CN 110061524 B CN110061524 B CN 110061524B CN 201910370922 A CN201910370922 A CN 201910370922A CN 110061524 B CN110061524 B CN 110061524B
- Authority
- CN
- China
- Prior art keywords
- power plant
- power
- model
- virtual power
- scheduling
- 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.)
- Active
Links
Images
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/008—Circuit arrangements for ac mains or ac distribution networks involving trading of energy or energy transmission rights
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/381—Dispersed generators
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
- H02J3/48—Controlling the sharing of the in-phase component
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及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,包括:以虚拟电厂内部运行成本最小为目标,建立虚拟电厂内部优化调度模型;通过均匀分布概率模型随机生成电价曲线,调用虚拟电厂内部优化调度模型,计算得到对应的交换功率曲线和最小总运行成本,形成虚拟电厂仿真运行数据集;采用深度神经网络模型,利用虚拟电厂仿真运行数据集,训练得到虚拟电厂有功调度等值模型;对训练得到的虚拟电厂有功调度等值模型进行测试,若精度不满足要求则生成更多数据集重新进行训练,直到得到满足精度要求的模型。本发明实现了对虚拟电厂有功调度等值模型的建立,为虚拟电厂参与电网有功调度奠定了基础。
Description
技术领域
本发明涉及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建模方法及系统,属于虚拟电厂技术技术领域。
背景技术
近年来,分布式光伏、风电等分布式电源取得了快速的发展,给地区配电网的安全稳定运行和调度管理带来了新的挑战,为了提高配电网控制调节能力,电网侧分布式储能也获得了越来越广泛的应用,但是如何合理有效地协调调度可调控的分布式电源和储能,从而保证分布式电源和地区电网的安全稳定运行,成为地区电网调控管理中心迫切需要解决的问题。
目前,一种可行的方法是把多种类型的分布式电源和储能聚合成为虚拟电厂,从而作为一个整体参与外部电网的有功调度,同时虚拟电厂也可有效协调优化各个分布式电源的运行,其中分布式电源虚拟电厂如何参与外部电网的有功优化调度则是首先要解决的问题。针对该问题,目前主要有两种方案:一是基于物理模型的集中优化调度;二是基于报价曲线的集中竞价调度。
针对以上第一种方案,由于主体不一致,虚拟电厂与调控中心之间存在信息不对称问题,传统的基于完全物理模型进行全局优化调度模式不再适用,同时全局优化调度也往往由于决策变量和约束条件过多需要大量求解时间,甚至不可求解。
针对以上第二种方案,传统电力市场中基于报价曲线进行出清计算的集中竞价调度模式往往不能使得各市场主体利益最大化,特别是对于虚拟电厂有功调度特性具有突出的时变性的情况下,报价容易互相冲突而导致利益受损,甚至得不到满足安全约束的出清结果,危及系统安全稳定运行。
发明内容
本发明的技术解决问题:克服现有技术的不足,提供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,实现了数据驱动的虚拟电厂有功调度等值模型的建立,解决了市场竞价模式不能取得全局最优解的问题,为虚拟电厂参与电网有功调度奠定了基础,有助于整合分布式电源,实现多分布式电源聚合为虚拟电厂并参与电网统一调度运行,避免基于共享物理模型信息进行大量分布式电源集中优化调度造成的调度负担,甚至无法安全运行的情况,对服务分布式电源有序发展具有重要的理论和现实意义。
本发明技术解决方案: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,包括以下步骤:
(1)以虚拟电厂内部运行成本最小为目标,建立虚拟电厂内部优化调度模型;
(2)通过均匀分布概率模型随机生成电价曲线,调用虚拟电厂内部优化调度模型,计算得到对应的交换功率曲线和最小总运行成本,形成虚拟电厂仿真运行数据集;
(3)采用深度神经网络模型,利用虚拟电厂仿真运行数据集,训练得到虚拟电厂有功调度等值模型;
(4)对训练得到的虚拟电厂有功调度等值模型进行测试,若虚拟电厂有功调度等值模型精度不满足要求,则生成更多数据集重新进行训练,直到得到满足指定精度要求的虚拟电厂有功调度等值模型,实现多分布式电源聚合为虚拟电厂并参与电网统一调度运行,避免大量分布式电源分散调度造成的调度负担,甚至无法安全运行的情况。
所述步骤(1)中,建立虚拟电厂内部优化调度模型为:以虚拟电厂内部运行成本最小为目标,考虑虚拟电厂内包含的分布式电源运行约束,建立虚拟电厂内部优化调度模型,具体包括以下步骤:
(11)确定虚拟电厂内部优化调度模型的目标函数:
其中T为一日包含的时段个数,以15分钟为时段分辨率时,其值即为96;CHP(t)表示t时段水电机组的运行费用,单位:元;CES(t)表示t时段储能系统的运行费用,单位:元;CWT(t)表示t时段风电机组的运行费用,单位:元;CPV(t)表示t时段光伏机组的运行费用,单位:元;CGrid(t)表示从外部电网购电的费用(值为正表示购电,负则为售电),单位:元。各部分费用的计算公式如下。
其中NHP表示水电机组的机组数量;CHP,m表示机组m的单位功率成本,单位:元/kWh;PHP,m(t)表示机组m在t时段的功率,单位:kW;δt是一个时段的时长,单位:小时;Csu,m表示机组m的启动费用,单位:元;usu,m(t)表示机组m在t时段的启动变量,启动时取1,不启动时取0。
其中NGrid表示外部市场购电计量点的个数;PGrid,g(t)表示从计量点g购入的功率,值为正表示购电,值为负表示售电,单位:kW。
另外,风电和光伏发电机组作为清洁性电源,且边际发电成本为零,应优先消纳,所以其运行费用为零,不在目标函数中体现。
(12)确定虚拟电厂内部优化调度模型的约束调节:
①功率上下限约束
②爬坡率约束
③最小停机时间约束
④持续运行时间约束
最小持续运行时间约束:
①充放电约束
其中分别表示机组e的最大放电功率和最大充电功率,分别表示机组e的最小放电功率和最小充电功率,单位:kW;分别表示放电状态、充电状态,取值为1时分别表示放电/充电,取值为0时分别表示不放电/不充电,两者满足互斥性,即满足以下约束:
②SOC约束
其中SOCe(t)表示机组e在t时段的SOC;SOCemax(t)、SOCemin(t)分别表示SOC的最大允许值和最小允许值;SOCe(0)表示SOC的初始容量;SOCe(T)表示最后时段的SOC容量。
其中,NPV是光伏机组的个数;NWT是风电机组的个数;PLoad(t)是负荷总功率,单位:kW。
目标函数中包含了水电、储能、光伏和风电机组的运行费用,约束条件包括了机组的运行特性约束,可准确表征虚拟电厂在机组运行约束下的运行费用;并通过线性化建模,目标函数和约束条件均为线性模型,可采用混合整数线性规划方法进行求解,避免非线性求解,提高求解效率,为虚拟电厂仿真运行数据集的快速生成奠定基础,最终实现虚拟电厂有功调度等值聚合,提高市场竞价模式的准确性和虚拟电厂优化效益。
所述步骤(2)中,虚拟电厂仿真运行数据集生成方法,包括以下步骤:
(21)设定数据集大小Nsample,随机生成Nsample个包含T个时段的电价曲线数据集Xλ:
其中C如公式(1)所示;λGrid即公式(5)所示该虚拟电厂与外部电网计量点的电价。
从而得到交换功率曲线数据集YP和最小总运行成本数据集YC:
通过所述虚拟电厂仿真运行数据集生成方法,可生成电价取值范围内的任意可能的电价曲线,覆盖全部电价情况,从而利用生成的数据集训练得到的模型具有精确的表征能力,达到能够表征任意可能电价情况下的最优解的目的,最终提高市场竞价模式的准确性和虚拟电厂优化效益。
所述步骤(3)中,采用深度神经网络模型,利用虚拟电厂仿真运行数据集,训练得到虚拟电厂有功调度等值模型,包括以下步骤:
(31)针对生成的电价曲线数据集Xλ及对应的交换功率曲线数据集YP和最小总运行成本数据集YC,首先将数据集分割为训练集和测试集,即:
Xλ=[Xλtrain Xλtest] (24)
YP=[YPtrain YPtest] (25)
YC=[YCtrain YCtest] (26)
其中Xλtrain、YPtrain、YCtrain为训练集,用于模型训练,Xλtest、YPtest、YCtest为测试集,用于模型测试。
(32)由于电价曲线与交换功率之间的映射关系和电价曲线与最小总运行成本之间的映射关系区别较大,为了便于模型训练,这里将其分为两个模型,分别训练,即{Xλtrain,YPtrain}用于训练电价曲线与交换功率之间的映射关系,称为功率等值模型netP,{Xλtrain,YPtrain}用于该模型的测试;{Xλtest,YCtest}用于训练电价曲线与最小总运行成本之间的映射关系,称为成本等值模型netC,{Xλtest,YCtest}用于该模型的测试。
(33)采用深度神经网络模型进行训练,其中神经网络层数、每层节点数、激活函数、优化求解器等的选取通过试验确定。训练完毕后得到的深度神经网络模型为:
深度神经网络模型具有理论上能够拟合任意非线性连续函数的能力,利用该模型,采用生成的数据集,可训练得到准确的功率等值模型和成本等值模型,取得与模型驱动的全局最优解相同的结果,最终提高市场竞价模式的准确性和虚拟电厂优化效益。
所述步骤(4)中,对训练得到的虚拟电厂有功调度等值模型进行测试,若精度不满足要求则生成更多数据集重新进行训练,直到得到满足精度要求的模型,包括以下步骤:
(41)通过测试集{Xλtest,YPtest}对公式(27)所示功率等值模型进行测试,通过测试集{Xλtest,YCtest}对公式(28)所示成本等值模型进行测试,测试指标包括:最大绝对值误差、平均误差、均方根误差。
(42)当误差不满足要求时,按照步骤(2)生成更多数据集,按照步骤(3)重新进行训练,直到得到满足精度要求的模型。
数据集越大,训练精度越高,但是数据集生成时间越长,模型训练时间也越长。通过模型测试,在误差不满足要求时,再补充数据集的步骤,则可以发现实际需要的数据集规模,提高数据集生成和模型训练的效率,避免陷入基于共享模型信息而求解困难的局面,最终提高市场竞价模式的准确性和虚拟电厂优化效益。
本发明的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系统,包括:组成模块:虚拟电厂内部优化调度模块、虚拟电厂仿真运行数据集生成模块、深度神经网络模型训练模块和测试模块。
虚拟电厂内部优化调度模块,以虚拟电厂内部运行成本最小为目标,建立虚拟电厂内部优化调度模型;
虚拟电厂仿真运行数据集生成模块,通过均匀分布概率模型随机生成电价曲线,调用虚拟电厂内部优化调度模块,计算得到对应的交换功率曲线和最小总运行成本,形成虚拟电厂仿真运行数据集;
深度神经网络模型训练模块,采用深度神经网络模型,利用虚拟电厂仿真运行数据集,训练得到虚拟电厂有功调度等值模型;
测试模块,对训练得到的虚拟电厂有功调度等值模型进行测试,若虚拟电厂有功调度等值模型精度不满足要求,则生成更多数据集重新进行训练,直到得到满足指定精度要求的虚拟电厂有功调度等值模型,实现多分布式电源聚合为虚拟电厂并参与电网统一调度运行。
本发明与现有技术相比的优点在于:
针对分布式电源虚拟电厂如何参与外部电网的有功优化调度的问题。由于主体不一致,虚拟电厂与调控中心之间存在信息不对称问题,传统的基于完全物理模型进行全局优化调度模式不再适用,同时全局优化调度也往往由于决策变量和约束条件过多需要大量求解时间,甚至不可求解。传统电力市场中基于报价曲线进行出清计算的集中竞价调度模式往往不能使得各市场主体利益最大化,特别是对于虚拟电厂有功调度特性具有突出的时变性的情况下,报价容易互相冲突而导致利益受损,甚至得不到满足安全约束的出清结果,危及系统安全稳定运行。本发明提供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,实现了数据驱动的虚拟电厂有功调度等值模型的建立,解决了市场竞价模式不能取得全局最优解的问题,为虚拟电厂参与电网有功调度奠定了基础,有助于整合分布式电源,实现多分布式电源聚合为虚拟电厂并参与电网统一调度运行,避免面向大量分布式电源集中优化求解造成的求解维数过高、求解速度较慢的问题,甚至无法得到有效解的情况。
附图说明
图1为本发明方法实现流程图;
图2为本发明系统的模块方框图。
具体实施方式
如图1所示,本发明的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,包括:以虚拟电厂内部运行成本最小为目标,建立虚拟电厂内部优化调度模型;通过均匀分布概率模型随机生成电价曲线,调用虚拟电厂内部优化调度模型,计算得到对应的交换功率曲线和最小总运行成本,形成虚拟电厂仿真运行数据集;采用深度神经网络模型,利用虚拟电厂仿真运行数据集,训练得到虚拟电厂有功调度等值模型;对训练得到的虚拟电厂有功调度等值模型进行测试,若精度不满足要求则生成更多数据集重新进行训练,直到得到满足精度要求的模型。本发明实现了对虚拟电厂有功调度等值模型的建立,为虚拟电厂参与电网有功调度奠定了基础,有助于整合分布式电源,实现分布式电源的优化互补利用,有助于提升电网调度运行水平,对服务分布式电源有序发展具有重要的理论和现实意义。
一方面,建立虚拟电厂内部优化调度模型的技术原理是:以虚拟电厂内部运行成本最小为目标,考虑虚拟电厂内包含的分布式电源运行约束,建立虚拟电厂内部优化调度模型。
具体包括以下步骤:
(1)确定虚拟电厂内部优化调度模型的目标函数:
其中T为一日包含的时段个数,以15分钟为时段分辨率时,其值即为96;CHP(t)表示t时段水电机组的运行费用,单位:元;CES(t)表示t时段储能系统的运行费用,单位:元;CWT(t)表示t时段风电机组的运行费用,单位:元;CPV(t)表示t时段光伏机组的运行费用,单位:元;CGrid(t)表示从外部电网购电的费用(值为正表示购电,负则为售电),单位:元。各部分费用的计算公式如下。
其中NHP表示水电机组的机组数量;CHP,m表示机组m的单位功率成本,单位:元/kWh;PHP,m(t)表示机组m在t时段的功率,单位:kW;δt是一个时段的时长,单位:小时;Csu,m表示机组m的启动费用,单位:元;usu,m(t)表示机组m在t时段的启动变量,启动时取1,不启动时取0。
其中NGrid表示外部市场购电计量点的个数;PGrid,g(t)表示从计量点g购入的功率,值为正表示购电,值为负表示售电,单位:kW。
另外,风电和光伏发电机组作为清洁性电源,且边际发电成本为零,应优先消纳,所以其运行费用为零,不在目标函数中体现。
(2)确定虚拟电厂内部优化调度模型的约束调节:
①功率上下限约束
②爬坡率约束
③最小停机时间约束
④持续运行时间约束
最小持续运行时间约束:
①充放电约束
其中分别表示机组e的最大放电功率和最大充电功率,分别表示机组e的最小放电功率和最小充电功率,单位:kW;分别表示放电状态、充电状态,取值为1时分别表示放电/充电,取值为0时分别表示不放电/不充电,两者满足互斥性,即满足以下约束:
②SOC约束
其中SOCe(t)表示机组e在t时段的SOC;SOCemax(t)、SOCemin(t)分别表示SOC的最大允许值和最小允许值;SOCe(0)表示SOC的初始容量;SOCe(T)表示最后时段的SOC容量。
其中,NPV是光伏机组的个数;NWT是风电机组的个数;PLoad(t)是负荷总功率,单位:kW。
另一方面,虚拟电厂仿真运行数据集生成方法,具体包括以下步骤:
(1)设定数据集大小Nsample,随机生成Nsample个包含T个时段的电价曲线数据集Xλ:
其中C如公式(1)所示;λGrid即公式(5)所示该虚拟电厂与外部电网计量点的电价。
从而得到交换功率曲线数据集YP和最小总运行成本数据集YC:
再一方面,采用深度神经网络模型,利用虚拟电厂仿真运行数据集,训练得到虚拟电厂有功调度等值模型,具体包括以下步骤:
(1)针对生成的电价曲线数据集Xλ及对应的交换功率曲线数据集YP和最小总运行成本数据集YC,首先将数据集分割为训练集和测试集,即:
Xλ=[Xλtrain Xλtest] (24)
YP=[YPtrain YPtest] (25)
YC=[YCtrain YCtest] (26)
其中Xλtrain、YPtrain、YCtrain为训练集,用于模型训练,Xλtest、YPtest、YCtest为测试集,用于模型测试。
(2)由于电价曲线与交换功率之间的映射关系和电价曲线与最小总运行成本之间的映射关系区别较大,为了便于模型训练,这里将其分为两个模型,分别训练,即{Xλtrain,YPtrain}用于训练电价曲线与交换功率之间的映射关系,称为功率等值模型netP,{Xλtrain,YPtrain}用于该模型的测试;{Xλtest,YCtest}用于训练电价曲线与最小总运行成本之间的映射关系,称为成本等值模型netC,{Xλtest,YCtest}用于该模型的测试。
(3)采用深度神经网络模型进行训练,其中神经网络层数、每层节点数、激活函数、优化求解器等的选取通过试验确定。训练完毕后得到的深度神经网络模型为:
再一方面,对训练得到的虚拟电厂有功调度等值模型进行测试,若精度不满足要求则生成更多数据集重新进行训练,直到得到满足精度要求的模型,具体包括以下步骤:
(1)通过测试集{Xλtest,YPtest}对公式(27)所示功率等值模型进行测试,通过测试集{Xλtest,YCtest}对公式(28)所示成本等值模型进行测试,测试指标包括:最大绝对值误差、平均误差、均方根误差。
(2)当误差不满足要求时,生成更多数据集,重新进行训练,直到得到满足精度要求的模型。
提供以上实施例仅仅是为了描述本发明的目的,而并非要限制本发明的范围。本发明的范围由所附权利要求限定。不脱离本发明的精神和原理而做出的各种等同替换和修改,均应涵盖在本发明的范围之内。
Claims (4)
1.一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,其特征在于:包括以下步骤:
(1)以虚拟电厂内部运行成本最小为目标,建立虚拟电厂内部优化调度模型;
(2)生成电价曲线,调用虚拟电厂内部优化调度模型,计算得到对应的交换功率曲线和最小总运行成本,形成虚拟电厂仿真运行数据集;
(3)采用深度神经网络模型,利用虚拟电厂仿真运行数据集,训练得到虚拟电厂有功调度等值模型;
(4)对训练得到的虚拟电厂有功调度等值模型进行测试,若虚拟电厂有功调度等值模型精度不满足要求,则生成更多数据集重新进行训练,直到得到满足指定精度要求的虚拟电厂有功调度等值模型,实现多分布式电源聚合为虚拟电厂并参与电网统一调度运行;
所述步骤(1)建立虚拟电厂内部优化调度模型,以虚拟电厂内部运行成本最小为目标,且满足分布式电源物理运行约束和系统功率平衡约束,具体包括以下步骤:
(11)确定虚拟电厂内部优化调度模型的目标函数:
其中T为一日包含的时段个数;CHP(t)表示t时段水电机组的运行费用;CES(t)表示t时段储能系统的运行费用;CWT(t)表示t时段风电机组的运行费用;CPV(t)表示t时段光伏机组的运行费用;CGrid(t)表示从外部电网购电的费用,值为正表示购电,负则为售电;
其中NHP表示水电机组的机组数量;CHP,m表示机组m的单位功率成本,单位:元/kWh;PHP,m(t)表示机组m在t时段的功率;δt是一个时段的时长;Csu,m表示机组m的启动费用;usu,m(t)表示机组m在t时段的启动变量,启动时取1,不启动时取0;
所述PES,e(t)表示为:
PES,e(t)值为正表示放电,值为负表示充电;
所述CGrid(t)计算如下:
其中NGrid表示外部市场购电计量点的个数;λGrid(t)表示外部市场的购电价格,单位:元/kWh;PGrid,g(t)表示从计量点g购入的功率,值为正表示购电,值为负表示售电;
(12)确定虚拟电厂内部优化调度模型的约束调节:
①功率上下限约束
②爬坡率约束
③最小停机时间约束
④持续运行时间约束
最小持续运行时间约束:
①充放电约束
其中分别表示机组e的最大放电功率和最大充电功率,分别表示机组e的最小放电功率和最小充电功率;分别表示放电状态、充电状态,取值为1时分别表示放电/充电,取值为0时分别表示不放电或不充电,两者满足互斥性,即满足以下约束:
②SOC约束
其中SOCe(t)表示机组e在t时段的SOC;SOCemax(t)、SOCemin(t)分别表示SOC的最大允许值和最小允许值;SOCe(0)表示SOC的初始容量;SOCe(T)表示最后时段的SOC容量;
其中,NPV是光伏机组的个数;NWT是风电机组的个数;PPV,p(t)是光伏机组p的功率;PWT,w(t)是风电机组w的功率;PLoad(t)是负荷总功率;
所述步骤(2)中,虚拟电厂仿真运行数据集生成方法,包括以下步骤:
(21)设定数据集大小Nsample,随机生成Nsample个包含T个时段的电价曲线数据集Xλ:
其中C为虚拟电厂内部优化调度模型的目标函数;λGrid为虚拟电厂与外部电网计量点的电价;
从而得到交换功率曲线数据集YP和最小总运行成本数据集YC:
所述步骤(3)中,采用深度神经网络模型,利用虚拟电厂仿真运行数据集,训练得到虚拟电厂有功调度等值模型,包括以下步骤:
(31)针对生成的电价曲线数据集Xλ及对应的交换功率曲线数据集YP和最小总运行成本数据集YC,首先将数据集分割为训练集和测试集,即:
Xλ=[Xλtrain Xλtest] (24)
YP=[YPtrain YPtest] (25)
YC=[YCtrain YCtest] (26)
其中Xλtrain、YPtrain、YCtrain为训练集,用于模型训练,Xλtest、YPtest、YCtest为测试集,用于模型测试;
(32)利用{Xλtrain,YPtrain}训练电价曲线与交换功率之间的映射关系,称为功率等值模型netP,{Xλtest,YPtest}用于netP的测试;利用{Xλtrain,YCtrain}训练电价曲线与最小总运行成本之间的映射关系,称为成本等值模型netC,{Xλtest,YCtest}用于netC的测试;
(33)采用深度神经网络模型进行训练,其中神经网络层数、每层节点数、激活函数、优化求解器的选取通过试验确定,训练完毕后得到的深度神经网络模型为:
2.根据权利要求1所述的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,其特征在于:所述步骤(4)具体包括以下步骤:
(41)通过测试集{Xλtest,YPtest}对功率等值模型进行测试,通过测试集{Xλtest,YCtest}对成本等值模型进行测试,测试指标包括:最大绝对值误差、平均误差、均方根误差;
(42)当误差不满足要求时,按照步骤(2)生成更多数据集,按照步骤(3)重新进行训练,从而形成分布式电源虚拟电厂有功调度等值聚合方法。
3.一种实现权利要求1或2所述的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的系统,其特征在于,包括:虚拟电厂内部优化调度模块、虚拟电厂仿真运行数据集生成模块、深度神经网络模型训练模块和测试模块;
虚拟电厂内部优化调度模块,以虚拟电厂内部运行成本最小为目标,建立虚拟电厂内部优化调度模型;
虚拟电厂仿真运行数据集生成模块,通过均匀分布概率模型随机生成电价曲线,调用虚拟电厂内部优化调度模块,计算得到对应的交换功率曲线和最小总运行成本,形成虚拟电厂仿真运行数据集;
深度神经网络模型训练模块,采用深度神经网络模型,利用虚拟电厂仿真运行数据集,训练得到虚拟电厂有功调度等值模型;
测试模块,对训练得到的虚拟电厂有功调度等值模型进行测试,若虚拟电厂有功调度等值模型精度不满足要求,则生成更多数据集重新进行训练,直到得到满足指定精度要求的虚拟电厂有功调度等值模型,实现多分布式电源聚合为虚拟电厂并参与电网统一调度运行;
所述建立虚拟电厂内部优化调度模块实现如下:
(71)虚拟电厂内部优化调度模型的目标函数:
(72)虚拟电厂内部优化调度模型的约束调节:
①功率上下限约束
②爬坡率约束
③最小停机时间约束
④持续运行时间约束
最小持续运行时间约束:
①充放电约束
②SOC约束
其中PPV,p(t)是光伏机组p的功率,PWT,w(t)是风电机组w的功率;
所述虚拟电厂仿真运行数据集生成模块实现如下:
(81)设定数据集大小Nsample,随机生成Nsample个包含T个时段的电价曲线数据集Xλ:
从而得到交换功率曲线数据集YP和最小总运行成本数据集YC:
所述深度神经网络模型训练模块实现如下:
(91)针对生成的电价曲线数据集Xλ及对应的交换功率曲线数据集YP和最小总运行成本数据集YC,首先将数据集分割为训练集和测试集,即:
Xλ=[Xλtrain Xλtest] (24)
YP=[YPtrain YPtest] (25)
YC=[YCtrain YCtest] (26)
(92)利用{Xλtrain,YPtrain}训练电价曲线与交换功率之间的映射关系,称为功率等值模型netP,{Xλtest,YPtest}用于netP的测试;利用{Xλtrain,YCtrain}训练电价曲线与最小总运行成本之间的映射关系,称为成本等值模型netC,{Xλtest,YCtest}用于netC的测试;
(93)采用深度神经网络模型进行训练,其中神经网络层数、每层节点数、激活函数、优化求解器的选取通过试验确定,训练完毕后得到的深度神经网络模型为:
4.根据权利要求3所述的系统,其特征在于:所述测试模块实现如下:
(101)通过测试集{Xλtest,YPtest}对功率等值模型进行测试,通过测试集{Xλtest,YCtest}对成本等值模型进行测试,测试指标包括:最大绝对值误差、平均误差、均方根误差;
(102)当误差不满足要求时,生成更多数据集,重新进行训练,从而形成分布式电源虚拟电厂有功调度等值聚合方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910370922.4A CN110061524B (zh) | 2019-05-06 | 2019-05-06 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910370922.4A CN110061524B (zh) | 2019-05-06 | 2019-05-06 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110061524A CN110061524A (zh) | 2019-07-26 |
CN110061524B true CN110061524B (zh) | 2020-10-09 |
Family
ID=67322223
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910370922.4A Active CN110061524B (zh) | 2019-05-06 | 2019-05-06 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110061524B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110765703B (zh) * | 2019-11-04 | 2022-05-27 | 内蒙古电力(集团)有限责任公司内蒙古电力科学研究院分公司 | 一种风电场聚合特性建模方法 |
CN111313400B (zh) * | 2019-11-11 | 2022-07-12 | 国网吉林省电力有限公司 | 一种基于鲁棒修正的多能虚拟电厂运行参数聚合方法 |
CN112186801B (zh) * | 2020-09-25 | 2022-05-17 | 大连理工大学 | 一种提高农村配网分布式光伏并网容量的方法 |
CN112260274A (zh) * | 2020-10-15 | 2021-01-22 | 国网上海市电力公司 | 一种基于全景理论的虚拟电厂组建方法 |
CN115409431B (zh) * | 2022-10-31 | 2023-01-24 | 国网湖北省电力有限公司信息通信公司 | 一种基于神经网络的分布式电力资源调度方法 |
CN116542490A (zh) * | 2023-06-29 | 2023-08-04 | 国网智能电网研究院有限公司 | 虚拟电厂日前调度封装模型以及调度出清模型构建方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4787288B2 (ja) * | 2004-04-06 | 2011-10-05 | コバシス, エルエルシー | バッテリ充電状態推定器 |
CN103051000A (zh) * | 2012-12-17 | 2013-04-17 | 深圳供电局有限公司 | 一种基于规模化分布式发电的电网调度方法 |
CN104022503A (zh) * | 2014-06-18 | 2014-09-03 | 中国科学院自动化研究所 | 一种带有储能设备的智能微电网电能优化控制方法 |
CN109347149A (zh) * | 2018-09-20 | 2019-02-15 | 国网河南省电力公司电力科学研究院 | 基于深度q值网络强化学习的微电网储能调度方法及装置 |
CN109615151A (zh) * | 2019-01-08 | 2019-04-12 | 广东工业大学 | 一种负荷储能双优化的预测方法、装置和介质 |
CN109713699A (zh) * | 2018-12-28 | 2019-05-03 | 北京天势新能源技术有限公司 | 一种能源管理方法及智能光储装置 |
-
2019
- 2019-05-06 CN CN201910370922.4A patent/CN110061524B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4787288B2 (ja) * | 2004-04-06 | 2011-10-05 | コバシス, エルエルシー | バッテリ充電状態推定器 |
CN103051000A (zh) * | 2012-12-17 | 2013-04-17 | 深圳供电局有限公司 | 一种基于规模化分布式发电的电网调度方法 |
CN104022503A (zh) * | 2014-06-18 | 2014-09-03 | 中国科学院自动化研究所 | 一种带有储能设备的智能微电网电能优化控制方法 |
CN109347149A (zh) * | 2018-09-20 | 2019-02-15 | 国网河南省电力公司电力科学研究院 | 基于深度q值网络强化学习的微电网储能调度方法及装置 |
CN109713699A (zh) * | 2018-12-28 | 2019-05-03 | 北京天势新能源技术有限公司 | 一种能源管理方法及智能光储装置 |
CN109615151A (zh) * | 2019-01-08 | 2019-04-12 | 广东工业大学 | 一种负荷储能双优化的预测方法、装置和介质 |
Non-Patent Citations (3)
Title |
---|
智能电网环境下虚拟电厂经济运行模型研究;陈春武;《中国博士学位论文全文数据库•工程科技Ⅱ辑》;20190315;第51-58页;附图3-17 * |
虚拟电厂接入配电网的电力系统调度灵活性研究;边晓艳;《电测与仪表》;20200210;全文 * |
虚拟电厂有功调度综合评价指标;徐佳敏;《电工电能新技术》;20200331;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110061524A (zh) | 2019-07-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110061524B (zh) | 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 | |
CN106169108B (zh) | 含电池储能系统的主动配电网短期有功优化方法 | |
Wu et al. | Dynamic economic dispatch of a microgrid: Mathematical models and solution algorithm | |
CN105160451B (zh) | 一种含电动汽车的微电网多目标优化调度方法 | |
CN109888806B (zh) | 一种含电动汽车的微电网储能优化配置方法 | |
Wu et al. | A multi-agent-based energy-coordination control system for grid-connected large-scale wind–photovoltaic energy storage power-generation units | |
CN107092985A (zh) | 一种面向电动汽车群柔性充放电响应的主动配电网阻塞调度方法 | |
CN105205552B (zh) | 一种独立新能源混合发电系统优化规划方法 | |
CN111934360B (zh) | 基于模型预测控制的虚拟电厂-储能系统能量协同优化调控方法 | |
CN103715688B (zh) | 并网型微网优化配置方法及装置 | |
CN111079971A (zh) | 一种考虑车、站、网三方的充电站定价方法 | |
CN105896578B (zh) | 一种用于风光储联合发电系统的随机生产模拟方法 | |
FR3013514A1 (fr) | Dispositif et procede de recharge de vehicules electriques ou hybrides | |
CN112836849A (zh) | 一种考虑风电不确定性的虚拟电厂调度方法 | |
CN108767855A (zh) | 一种时序持续混合的电力系统随机生产模拟方法 | |
CN104112168A (zh) | 一种基于多代理系统的智能家居经济优化方法 | |
CN104268435A (zh) | 一种计算多机平衡的概率潮流的方法 | |
Xing et al. | A rolling optimization method of reserve capacity considering wind power frequency control | |
CN115549137A (zh) | 分布式电网调控系统及调控方法 | |
CN115796533A (zh) | 考虑清洁能源消纳的虚拟电厂双层优化调度方法及装置 | |
CN115114854A (zh) | 一种虚拟电厂分布式资源两级自组织优化聚合方法及系统 | |
CN109799708B (zh) | 一种基于最大内嵌正方体的虚拟电厂灵活性聚合方法 | |
CN113554219A (zh) | 一种可再生能源发电站共享储能容量规划方法及装置 | |
CN112260274A (zh) | 一种基于全景理论的虚拟电厂组建方法 | |
CN106253356A (zh) | 基于储能电量价值评估的交直流混合微网实时经济调度法 |
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 |