CN110365041B - 基于gan场景模拟的风电多场景鲁棒调度方法 - Google Patents

Abstract

本发明公开了一种基于gan场景模拟的风电多场景鲁棒调度方法，包括步骤：(1)确定调度系统的运行参数；(2)收集历史风速场景数据；(3)利用生成对抗网络生成风速场景；(4)对风速场景进行场景削减；(5)搭建含风电场电力系统鲁棒调度模型；(6)利用鲁棒优化方法对进行搭建的调度模型进行求解。本发明采用生成对抗网络来模拟风电场的风速场景，无须引入复杂的风速预测模型，也不需要采用风速的概率分布进行抽样，令场景模拟过程大大简化。

Description

基于gan场景模拟的风电多场景鲁棒调度方法

技术领域

本发明涉及电力系统优化运行与控制领域，尤其涉及一种基于gan场景模拟的风电多场景鲁棒调度方法。

背景技术

随着风光等可再生能源发电渗透率的日益提高，电力系统的安全稳定受到严峻的挑战，关于高渗透可再生能源系统的调度和运行策略的研究也如火如荼的进行。

目前关于风电高渗透的电力系统的调度方法主要有随机优化方法和鲁棒优化方法。这两种方法各有优劣，都能在特定场景下解决相关的风电高渗透系统调度问题，但这两种方法分别都有一个亟待解决的问题：随机优化方法中风电出力的概率分布怎么确定以及鲁棒优化调度方法中最坏场景如何确定。以上两个问题都会或多或少采用概率抽样或者经验概率分布模型，但这种方式无疑存在着方案理想化，存在实际工程误差的问题，同时，若采用概率抽样的方法，得到的抽样场景过多则增加调度计算难度，影响调度的时效性，若过少则更不具代表性，工程实用性低。

近年来深度学习领域提出了生成对抗网络技术(Generative AdversarialNetworks，GAN)，一经提出就受到广泛关注,其无需对数据服从的分布作任何假定,可以直接从数据中学习并生成新的数据样本，这给风电调度的场景模拟提供了新的思路。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于gan场景模拟的风电多场景鲁棒调度方法。本发明采用生成对抗网络，基于历史风速场景生成模拟场景，在模拟场景的基础上搭建风电多场景鲁棒调度模型，再利用鲁棒优化方法对模型进行求解。

本发明的目的能够通过以下技术方案实现：

基于gan场景模拟的风电多场景鲁棒调度方法，包括步骤：

确定调度系统的运行参数；

收集历史风速场景数据；

利用生成对抗网络生成风速场景；

对风速场景进行场景削减；

搭建含风电场电力系统鲁棒调度模型；

利用鲁棒优化方法对搭建的调度模型进行求解。

本发明相较于现有技术，具有以下的有益效果：

1、本发明采用生成对抗网络来模拟风电场的风速场景，无需引入复杂的风速预测模型，并且无需采用风速的概率分布进行抽样，大大简化了场景模拟过程。

2、风速场景模拟采用生成对抗网络，并且参考系统的历史风速场景，使得场景模拟更加精确，生成的场景组合更具有代表性。

3、本发明将生成对抗网络的场景模拟和鲁棒调度相结合，大大提供了含风电场的电力系统鲁棒调度的策略可行性，同时提高了调度策略的制定速度。

附图说明

图1是基于gan场景模拟的风电多场景鲁棒调度方法的流程图。

图2是本发明采用的生成对抗网络的结构示意图。

具体实施方式

下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。

实施例

如图1所述为一种基于gan场景模拟的风电多场景鲁棒调度方法的流程图，包括如下步骤：

(1)确定调度系统的运行参数。

具体地，所述系统的运行参数主要包括各机组的发电功率上下限，爬坡速率，系统调度日的24h负荷，线路传输功率限制，风电切入风速，切出风速，额定风速，额定功率等。

(2)收集历史风速场景数据。

本发明收集过去十年的风速数据，涵盖十年内的普通场景和恶劣天气的极端场景，极端场景包括台风，暴雨等天气场景。

(3)利用生成对抗网络生成风速场景，如图2所示为采用的生成对抗网络的结构图，包括步骤：

(3-1)构建生成器网络G₁,G₂,G₃(z)，同时构建判别器D；

(3-2)从一个预先定义的分布p_z中进行随机采样得到噪声集z＝{z¹,z²,z³,…,zⁿ}；

(3-3)令生成器的输入为z，输出“假”数据G₁(z),G₂(z),G₃(z)；

(3-4)将“假”数据G₁(z),G₂(z),G₃(z)置于判别器D中判断数据真假，根据判别结果，更新各生成器网络的参数；

判别器的输出为一个一维的标量，表示输入为“真”的概率。对于真实数据样本x有D(x)＝1，理想情况下对生成数据有D(G₁(z))＝0，D(G₂(z))＝0，D(G₃(z))＝0；

生成器训练的目标函数为：

L＝-||G₁(z)-G₂(z)||_p-||G₂(z)-G₃(z)||_p-||G₁(z)-G₃(z)||_p

其中，λ为协同控制常数，可以根据各生成器性能差异调整训练模型的训练协同程度；协同距离L采用p范数来评价各生成器之间的性能差异，此处p可根据训练需求来自定义。

(3-5)重复步骤(3-4)训练过程k次，直至前后两次训练结果的目标函数值之差小于第一次训练的目标函数值的0.0.1倍。以历史风速场景数据作为真实数据集x＝{x¹,x²,x³,…,xⁿ}，将“假”数据G₁(z),G₂(z),G₃(z)和真数据x＝{x¹,x²,x³,…,xⁿ}置于判别器D中进行判别；根据判别结果更新判别器D的参数；

判别器训练的目标函数为：

(3-6)设置协同参数；

协同参数的计算公式为：

根据判别结果计算协同参数s₁,s₂,s₃的值，s₁为s₁,s₂,s₃中最大值，即G₁的真实度较高，则给各生成器网络G₂，G₃设置惩罚网络连接权，拉近性能差的生成器网络与性能较优的网络之间的距离；若s₂,s₃较大则同理可调整性能相对较差的生成器网络的惩罚网络连接权，使各生成器网络的性能协同进步。

(3-7)重复步骤(3-3)-(3-6)，直至生成器网络近似收敛于真实数据分布，得到生成场景集M。

(4)对风速场景进行场景削减，具体削减方法为：

(4-1)随机抽取生成场景中的10个场景，构成代表场景集S。

(4-2)计算非代表场景的各个生成场景与各个代表场景的欧式距离：

其中，m_i，m_j分别表示生成场景集M中第i个样本和代表场景集S中第j个样本。T为一个风速场景中数据的个数，本实施例中以一天为调度时间尺度，15min为调度时间间隔，故令T＝96。

将生成场景集中所有场景通过此公式计算出其与十个代表场景之间的欧式距离，然后根据生成场景与代表场景的欧式距离，各生成场景找到与自身欧式距离最小的代表场景，并将自己归到此代表场景这一类中。由此，将步骤(3)中的生成场景集中所有场景分为10类，而代表场景集S中的10个场景即作为这10类场景的参照中心，即每一类各自的代表场景，由各代表场景可以反映各类场景各自的特征。

(4-3)对代表场景集中10个场景进行更新；

更新操作的目标函数为：

(4-4)重复步骤(4-1)到(4-3)直到收敛，即代表场景不再更新时。

(5)搭建含风电场电力系统鲁棒调度模型；

模型目标函数为：

其中，N_G为火电机组的个数，P_it为第i个火电机组在第t个调度时刻的出力值，q_it(m)为场景m发生时第i个火电机组在第t个调度断面的有功出力调整量，p_m为第m个场景出现的概率。f_i(.)为第i个火电机组的运行费用函数，其中a_i,b_i,c_i为其运行费用系数。

模型约束条件包括系统有功平衡鲁棒约束、机组爬坡鲁棒约束和机组出力上下限约束；

系统有功平衡鲁棒约束表示为：

其中，D_t为第t个调度时刻的系统负荷需求量，

为第t个调度时刻的风电出力的期望值。

机组爬坡鲁棒约束表示为：

其中，ΔP_i,up，ΔP_i,down分别为第i个火电机组的上下爬坡的上限值。

机组出力上下限约束表示为：

其中，P_i ^min，P_i ^max分别为第i个机组的有功出力上下限值。

(6)利用鲁棒优化方法对进行搭建的调度模型进行求解，求解步骤如下：

(6-1)通过简化鲁棒可行域，简化鲁棒调度模型的约束条件；

具体操作为：将代表场景缩减为两种极端场景m₁和m₂，从场景m₁过渡到场景m₂机组的爬坡约束最为接近其上爬坡的上限，从场景m₂过渡到到场景m₁机组的爬坡约束最为接近其下爬坡的上限值。

(6-2)对鲁棒模型的有功平衡鲁棒约束和机组爬坡鲁棒约束进行转化，转化后约束条件为：

q_it(m₁)≤q_it(m)≤q_it(m₂)

(6-3)利用CPLEX工具箱对转化后的调度模型进行求解。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (7)

1.一种基于gan场景模拟的风电多场景鲁棒调度方法，其特征在于，包括步骤：

(1)确定调度系统的运行参数；

(2)收集历史风速场景数据；

(3)利用生成对抗网络生成风速场景；

(4)对风速场景进行场景削减；

(5)搭建含风电场电力系统鲁棒调度模型；

(6)利用鲁棒优化方法对进行搭建的调度模型进行求解。

2.根据权利要求1所述的一种基于gan场景模拟的风电多场景鲁棒调度方法，其特征在于，系统的运行参数主要包括各机组的发电功率上下限，爬坡速率，系统调度日的24h负荷，线路传输功率限制，风电切入风速，切出风速，额定风速，额定功率。

3.根据权利要求1所述的一种基于gan场景模拟的风电多场景鲁棒调度方法，其特征在于，所述步骤(3)包括步骤：

(3-1)构建生成器网络G₁、G₂和G₃，同时构建判别器D；

(3-2)从一个预先定义的分布p_z中进行随机采样得到噪声集z＝{z¹,z²,z³,…,zⁿ}；

(3-3)令生成器网络G₁、G₂和G₃的输入为z，输出“假”数据G₁(z)、G₂(z)、G₃(z)；

(3-4)将“假”数据G₁(z)、G₂(z)、G₃(z)置于判别器D中判断数据真假，根据判别结果，更新各生成器网络G₁、G₂和G₃的参数；

生成器网络G₁、G₂和G₃的训练的目标函数为：

L＝-||G₁(z)-G₂(z)||_p-||G₂(z)-G₃(z)||_p-||G₁(z)-G₃(z)||_p

其中，λ为协同控制常数，根据生成器网络G₁、G₂和G₃性能差异调整训练模型的训练协同程度；协同距离L采用p范数来评价生成器网络G₁、G₂和G₃之间的性能差异，p可根据训练需求来自定义；

(3-5)重复步骤(3-4)训练过程k次，直至前后两次训练结果的目标函数值之差小于第一次训练的目标函数值的0.01倍；以历史风速场景数据作为真实数据集x＝{x¹,x²,x³,…,xⁿ}，将“假”数据G₁(z)、G₂(z)、G₃(z)和真数据x＝{x¹,x²,x³,…,xⁿ}置于判别器D中进行判别；根据判别结果更新判别器D的参数；

判别器D训练的目标函数为：

(3-6)设置协同参数；

协同参数的计算公式为：

根据判别结果计算协同参数s₁,s₂,s₃的值，若s₁为s₁、s₂、s₃中最大值，即G₁的真实度较高，则给生成器网络G₂、G₃设置惩罚网络连接权，拉近性能差的生成器网络与性能较优的生成器网络之间的距离；若s₂、s₃较大则同理可调整性能相对较差的生成器网络的惩罚网络连接权；

(3-7)重复步骤(3-3)-(3-6)，直至生成器网络近似收敛于真实数据分布，得到生成场景集M。

4.根据权利要求3所述的一种基于gan场景模拟的风电多场景鲁棒调度方法，其特征在于，所述步骤(4)包括：

(4-1)随机抽取生成场景集M中的10个场景，构成代表场景集S；

(4-2)计算非代表场景的各个生成场景与各个代表场景的欧式距离：

其中，m_i，m_j分别表示生成场景集M中第i个样本和代表场景集S中第j个样本；T为一个风速场景中数据的个数；

将生成场景集中所有生成场景通过此公式计算出其与十个代表场景之间的欧式距离，然后根据各生成场景与各代表场景的欧式距离，各生成场景找到与自身欧式距离最小的代表场景，并将其归到此代表场景这一类中；

(4-3)对代表场景集S中10个场景进行更新；

更新操作的目标函数为：

(4-4)重复步骤(4-1)到(4-3)直到收敛。

5.根据权利要求1所述的一种基于gan场景模拟的风电多场景鲁棒调度方法，其特征在于，所述步骤(5)中，

模型目标函数为：

其中，N_G为火电机组的个数，P_it为第i个火电机组在第t个调度时刻的出力值，q_it(m)为场景m发生时第i个火电机组在第t个调度断面的有功出力调整量，p_m为第m个场景出现的概率；f_i(.)为第i个火电机组的运行费用函数，其中a_i、b_i、c_i为其运行费用系数；

模型约束条件包括系统有功平衡鲁棒约束、机组爬坡鲁棒约束和机组出力上下限约束；

系统有功平衡鲁棒约束表示为：

其中，D_t为第t个调度时刻的系统负荷需求量，

为第t个调度时刻的风电出力的期望值；

机组爬坡鲁棒约束表示为：

其中，ΔP_i,up，ΔP_i,down分别为第i个火电机组的上下爬坡的上限值；

机组出力上下限约束表示为：

其中，P_i ^min，P_i ^max分别为第i个机组的有功出力上下限值。

6.根据权利要求4所述的一种基于gan场景模拟的风电多场景鲁棒调度方法，其特征在于，所述步骤(6)包括：

(6-1)通过简化鲁棒可行域，简化鲁棒调度模型的约束条件；

具体操作为：将代表场景集S缩减为两种极端场景m₁和m₂，从场景m₁到场景m₂机组的爬坡约束最为接近其上爬坡的上限，从场景m₂到场景m₁机组的爬坡约束最为接近其下爬坡的上限值；

(6-2)对鲁棒模型的有功平衡鲁棒约束和机组爬坡鲁棒约束进行转化，转化后约束条件为：

q_it(m₁)≤q_it(m)≤q_it(m₂)

(6-3)利用CPLEX工具箱对转化后的调度模型进行求解。

7.根据权利要求1所述的一种基于gan场景模拟的风电多场景鲁棒调度方法，其特征在于，所述历史风速场景数据为过去十年的风速数据，包括十年内的普通场景和恶劣天气的极端场景，极端场景包括台风，暴雨等天气场景。

Images