CN110729764A - 一种含光伏发电系统的优化调度方法 - Google Patents

Abstract

本发明提供了一种含光伏发电系统的优化调度方法，包括如下步骤：步骤(1)、调取电网的历史负荷数据，根据历史负荷数据变化情况及变化时刻的外部影响情况，确定电网电力负荷的关键影响因素；步骤(2)、对电网的用电负荷进行短期预测；步骤(3)、研究光伏电站的出力特性，确定对光伏电站功率产生影响的关键因素；步骤(4)、对光伏电站的短期输出功率进行预测；步骤(5)、构建含光伏发电系统的优化调度模型；步骤(6)、对优化调度模型进行求解，获取最优出力机组组合。

Description

一种含光伏发电系统的优化调度方法

技术领域

本发明属于电力调度技术领域，特别涉及一种含光伏发电系统的优化调度方法。

背景技术

随着化石能源储量的逐步降低，全球能源危机也日益逼近。同时，为了人类社会的可持续发展，必须减少化石能源的消耗，减少碳排放。2017年全球能源生产总量约为114.04亿吨油当量，同比增长仅为0.62％，而新能源占比从2016年的28.49％提升至2017年的32.50％。

中国作为能源生产及消耗大国，对环境保护高度重视，鼓励利用新技术、新能源，以减轻温室效应和促进生态良性循环。在此背景下，以光伏为代表的清洁能源具有良好的经济效益和环境效益，得到国家政府的支持。2017年，中国光伏发电新增装机53.06GW，同比增加18.52GW，增速高达53.62％。因此，研究适应光伏并网的电力优化调度方法具有重要的应用价值。

发明内容

本发明提供一种含光伏发电系统的优化调度方法，对电网电力负荷和光伏电站并网功率分别进行短期预测，并根据预测结果构建优化调度模型，减小弃光量，获取最优出力机组组合。

本发明具体为一种含光伏发电系统的优化调度方法，所述调度方法具体包括如下步骤：

步骤(1)、调取电网的历史负荷数据，根据历史负荷数据变化情况及变化时刻的外部影响情况，确定电网电力负荷的关键影响因素；

步骤(2)、对电网的用电负荷进行短期预测；

步骤(3)、研究光伏电站的出力特性，确定对光伏电站功率产生影响的关键因素；

步骤(4)、对光伏电站的短期输出功率进行预测；

步骤(5)、构建含光伏发电系统的优化调度模型；

步骤(6)、对优化调度模型进行求解，获取最优出力机组组合。

进一步的，所述步骤(1)中的关键影响因素包括气温、湿度、天气类型、季节类型、日期信息、政策信息、上一时刻的负荷值、前一天同一时刻的负荷值。

进一步的，所述步骤(2)中的对电网的用电负荷进行短期预测的具体步骤如下：

步骤(21)、基于最小二乘支持向量机回归模型和径向基核函数，构建短期电力负荷预测模型：

y＝(q,φ(X))+b，目标函数为

其中q为要寻求的最优权值，b为线性函数阈值，X＝[x₁,x₂,…,x₈]为一个8维向量，表示输入量；y为输出数据，单位为MW；e_i为允许误差，F为惩罚因子；x₁为预测时刻的预测气温；x₂为预测时刻的预测湿度；x₃为预测当天的天气类型，分别用数字量0-5表示晴天、多云、阴天、雨天、雪天、台风；x₄为预测时刻的季节，分别用数字量0-3表示春天、夏天、秋天、冬天；x₅为预测当天的日期信息，表示当天是否为周末或节假日，分别用数字量0、1表示工作日、休息日；x₆为预测当天的政策信息，表示当天是否有重大事件，分别用数字量0、1表示没有重大事件和有重大事件；x₇为预测时刻上一时刻的负荷值；x₈为预测前一天同一时刻的负荷值；

步骤(22)、从电网的历史电力负荷数据库中选取训练数据；

步骤(23)、对选取的负荷序列进行初步数据清洗，包括序列噪声抑制、缺失数据修补以及异常数据修正：

序列噪声抑制采用模态分解方式，最先分解得到的模态具有最小的时间尺度，由于电力负荷序列呈现随机分布特性，将第一模态认定为噪声将其去除；

缺失数据修补从相似日方面和时间序列方面两个方面进行修补，对于相似日预测，将连续一段时间的数据按一天进行划分，则负荷序列从一个行向量转变为矩阵形式：

每一列表示相似日序列；假设

和

分别表示缺失数据x_t在垂直和水平两个方向的修正结果，则最终修正结果为

对于非连续缺失数据的修补，仅从相似日方面进行修补；

异常数据修正具体包括明显异常数据剔除和缺失数据修补，对于明显异常的数据将其剔除出序列，并采用缺失数据修补的方式重新给出新的数据来代替异常数据；

步骤(24)、对数据进行约束化处理，其约束条件为|＜q,x_i＞+b-y_i|≤ε,i＝1,…,l及

其中，ε为精度；对电力负荷预测模型的参数进行设置，根据训练数据对模型进行训练；

步骤(25)、根据模型训练后得到的负荷预测方程，对电网的电力负荷进行短期预测。

进一步的，所述步骤(4)中同样采用最小二乘支持向量机模型对光伏电站的并网功率进行短期预测具体包括：

获取光伏并网功率历史数据，并对数据进行预处理，对缺测数据进行填补，对不合理数据进行修正；

对数据集进行天气类型的划分，寻找近期日类型相同的数据，将相同类型相同时刻的历史输出功率值、以及温度湿度气象信息，形成训练样本，作为输入数据；

对数据进行归一化处理；

选择径向基核函数，采用参数搜索和交叉验证，选择最佳的惩罚系数和核函数参数；

用得到的最佳的惩罚系数和核函数参数进行训练，得到最小二乘支持向量机短期功率预测模型；

选择晴天、多云、雨天和雾霾天四种类型的天气，分别对每个光伏电站各整点的输出功率进行短期预测；

将每个光伏电站的短期功率预测数据进行叠加，得到总的光伏电站短期预测功率。

进一步的，所述步骤(5)中的含光伏发电系统的优化调度模型具体为：

目标函数：

目标函数分别表示火力发电成本最低，以及弃光量最小化以保证最大限度的接纳光电；

约束条件：

其中，T为日调度总时段数，取24；M为光伏电站数量，N为火力发电机组数量；F_i为第i台火力发电机组的煤耗成本，P_it为第i台火力发电机组在t时刻的发电功率，a_i、b_i、c_i为第i台火力发电机组的煤耗参数；

为第j个光伏电站在t时刻的输出功率，P_t ^PV*为光伏电站在t时刻的预测功率；P_t ^D为t时刻的负荷预测值；P_min为火力发电机组的最小输出功率，P_max为火力发电机组的最大输出功率。

进一步的，所述步骤(6)中采用粒子群算法对优化调度模型进行求解，具体步骤包括：

步骤(61)、对机组排序，系统初始化，k＝1；

步骤(62)、对粒子速度、位置、机组持续运行时间进行更新；

步骤(63)、判断粒子是否满足约束，若是，进入步骤(64)；若否，对粒子进行修正，并重新判断粒子是否满足约束，若是，进入步骤(64)，若否，重新生成粒子；

步骤(64)、计算粒子在当前状态的最优机组出力；

步骤(65)、计算粒子适应值，更新粒子个体和全局最优值；

步骤(66)、k＝k+1，更新惯性权重和学习因子；

步骤(67)、判断是否达到最大迭代次数，若否，返回步骤(62)；若是，输出最优机组组合、对应的机组出力以及相应的适应值。

附图说明

图1为本发明一种含光伏发电系统的优化调度方法的流程图。

具体实施方式

下面结合附图对本发明一种含光伏发电系统的优化调度方法的具体实施方式做详细阐述。

如图1所示，本发明的调度方法包括以下步骤：步骤(1)、调取电网的历史负荷数据，根据历史负荷数据变化情况及变化时刻的外部影响情况，确定电网电力负荷的关键影响因素；步骤(2)、对电网的用电负荷进行短期预测；步骤(3)、研究光伏电站的出力特性，确定对光伏电站功率产生影响的关键因素；步骤(4)、对光伏电站的短期输出功率进行预测；步骤(5)、构建含光伏发电系统的优化调度模型；步骤(6)、对优化调度模型进行求解，获取最优出力机组组合。

电网电力负荷的关键影响因素包括气温、湿度、天气类型、季节类型、日期信息、政策信息、上一时刻的负荷值、前一天同一时刻的负荷值。用一个8维向量X＝[x₁,x₂,…,x₈]来表示输入量，x₁为预测时刻的预测气温；x₂为预测时刻的预测湿度；x₃为预测当天的天气类型，分别用数字量0-5表示晴天、多云、阴天、雨天、雪天、台风；x₄为预测时刻的季节，分别用数字量0-3表示春天、夏天、秋天、冬天；x₅为预测当天的日期信息，表示当天是否为周末或节假日，分别用数字量0、1表示工作日、休息日；x₆为预测当天的政策信息，表示当天是否有重大事件，分别用数字量0、1表示没有重大事件和有重大事件；x₇为预测时刻上一时刻的负荷值；x₈为预测前一天同一时刻的负荷值。

支持向量回归理论中，假设x_i∈Rⁿ为输入，y_i∈R为相应的输出，回归问题就是寻找从输入到输出的映射f:Rⁿ→R，使得f(x)＝y。简单的线性回归问题为y＝f(x)＝q·x+b，其目的就是寻找最优的权值q，使得拟合曲线尽可能反应数据集的变化规律，对于优化问题，就是以精度ε可拟合所有训练样本。回归问题转化为优化问题为：

约束条件为|＜q,x_i＞+b-y_i|≤ε,i＝1,…,l。

本发明中的短期电力负荷预测模型基于最小二乘支持向量机回归模型和径向基核函数确定：y＝(q,φ(X))+b，目标函数为

其中q为要寻求的最优权值，b为线性函数阈值，X＝[x₁,x₂,…,x₈]为一个8维向量，表示输入量；y为输出数据，单位为MW；e_i为允许误差，F为惩罚因子。约束条件为|＜q,x_i＞+b-y_i|≤ε,i＝1,…,l及

其中，ε为精度。

序列噪声抑制采用模态分解方式，最先分解得到的模态具有最小的时间尺度，由于电力负荷序列呈现随机分布特性，将第一模态认定为噪声将其去除。缺失数据修补从相似日方面和时间序列方面两个方面进行修补，对于相似日预测，将连续一段时间的数据按一天进行划分，则负荷序列从一个行向量转变为矩阵形式：

每一列表示相似日序列；假设

和

分别表示缺失数据x_t在垂直和水平两个方向的修正结果，则最终修正结果为

对于非连续缺失数据的修补，仅从相似日方面进行修补。异常数据修正具体包括明显异常数据剔除和缺失数据修补，对于明显异常的数据将其剔除出序列，并采用缺失数据修补的方式重新给出新的数据来代替异常数据。

本发明同样采用上述最小二乘支持向量机模型对光伏并网的功率进行短期预测，具体包括：获取光伏并网功率历史数据，并对数据进行预处理，对缺测数据进行填补，对不合理数据进行修正；对数据集进行天气类型的划分，寻找近期日类型相同的数据，将相同类型相同时刻的历史输出功率值、以及温度湿度气象信息，形成训练样本，作为输入数据；对数据进行归一化处理；选择径向基核函数，采用参数搜索和交叉验证，选择最佳的惩罚系数和核函数参数；用得到的最佳的惩罚系数和核函数参数进行训练，得到最小二乘支持向量机功率预测模型；选择晴天、多云、雨天和雾霾天四种类型的天气，分别对每个光伏电站各整点的输出功率进行短期预测；将每个光伏电站的短期功率预测数据进行叠加，得到总的光伏电站短期预测功率。基于24小时天气预报，可以获得预测日的天气状况，包括最高温度、最低温度和平均温度，以及湿度等气象信息。判断天气类型，选择类型相同的前五天相同时刻的输出功率值作为预测模型输入，对晴天、多云、雨天和雾霾天分别经行预测，对于晴天的预测，我们选取同样是晴天并且和预测日时间最相近的五天的数据作为预测模型的输入变量，对于多云的预测，我们选取同样是多云并且和预测日时间最相近的五天的数据作为预测模型的输入变量，对于雨天的预测，我们选取同样是雨天并且和预测日时间最相近的五天的数据作为预测模型的输入变量，对于雾霾天的预测，我们选取同样是雾霾天并且和预测日时间最相近的五天的数据作为预测模型的输入变量。

含光伏发电系统的优化调度模型具体为：

目标函数：

目标函数分别表示火力发电成本最低，以及弃光量最小化以保证最大限度的接纳光电；

约束条件：

其中，T为日调度总时段数，取24；M为光伏电站数量，N为火力发电机组数量；F_i为第i台火力发电机组的煤耗成本，P_it为第i台火力发电机组在t时刻的发电功率，a_i、b_i、c_i为第i台火力发电机组的煤耗参数；

为第j个光伏电站在t时刻的输出功率，P_t ^PV*为光伏电站在t时刻的预测功率；P_t ^D为t时刻的负荷预测值；P_min为火力发电机组的最小输出功率，P_max为火力发电机组的最大输出功率。

采用粒子群算法对经济调度模型进行求解，具体步骤包括：步骤(61)、对机组排序，系统初始化，k＝1；步骤(62)、对粒子速度、位置、机组持续运行时间进行更新；步骤(63)、判断粒子是否满足约束，若是，进入步骤(64)；若否，对粒子进行修正，并重新判断粒子是否满足约束，若是，进入步骤(64)，若否，重新生成粒子；步骤(64)、计算粒子在当前状态的最优机组出力；步骤(65)、计算粒子适应值，更新粒子个体和全局最优值；步骤(66)、k＝k+1，更新惯性权重和学习因子；步骤(67)、判断是否达到最大迭代次数，若否，返回步骤(62)；若是，输出最优机组组合、对应的机组出力以及相应的适应值。

最后应该说明的是，结合上述实施例仅说明本发明的技术方案而非对其限制。所属领域的普通技术人员应当理解到，本领域技术人员可以对本发明的具体实施方式进行修改或者等同替换，但这些修改或变更均在申请待批的权利要求保护范围之中。

Claims (6)

1.一种含光伏发电系统的优化调度方法，其特征在于，所述调度方法具体包括如下步骤：

步骤(1)、调取电网的历史负荷数据，根据历史负荷数据变化情况及变化时刻的外部影响情况，确定电网电力负荷的关键影响因素；

步骤(2)、对电网的用电负荷进行短期预测；

步骤(3)、研究光伏电站的出力特性，确定对光伏电站功率产生影响的关键因素；

步骤(4)、对光伏电站的短期输出功率进行预测；

步骤(5)、构建含光伏发电系统的优化调度模型；

步骤(6)、对优化调度模型进行求解，获取最优出力机组组合。

2.根据权利要求1所述的一种含光伏发电系统的优化调度方法，其特征在于，所述步骤(1)中的关键影响因素包括气温、湿度、天气类型、季节类型、日期信息、政策信息、上一时刻的负荷值、前一天同一时刻的负荷值。

3.根据权利要求1所述的一种含光伏发电系统的优化调度方法，其特征在于，所述步骤(2)中的对电网的用电负荷进行短期预测的具体步骤如下：

步骤(21)、基于最小二乘支持向量机回归模型和径向基核函数，构建短期电力负荷预测模型：

y＝(q,φ(X))+b，目标函数为

其中q为要寻求的最优权值，b为线性函数阈值，X＝[x₁,x₂,…,x₈]为一个8维向量，表示输入量；y为输出数据，单位为MW；e_i为允许误差，F为惩罚因子；x₁为预测时刻的预测气温；x₂为预测时刻的预测湿度；x₃为预测当天的天气类型，分别用数字量0-5表示晴天、多云、阴天、雨天、雪天、台风；x₄为预测时刻的季节，分别用数字量0-3表示春天、夏天、秋天、冬天；x₅为预测当天的日期信息，表示当天是否为周末或节假日，分别用数字量0、1表示工作日、休息日；x₆为预测当天的政策信息，表示当天是否有重大事件，分别用数字量0、1表示没有重大事件和有重大事件；x₇为预测时刻上一时刻的负荷值；x₈为预测前一天同一时刻的负荷值；

步骤(22)、从电网的历史电力负荷数据库中选取训练数据；

步骤(23)、对选取的负荷序列进行初步数据清洗，包括序列噪声抑制、缺失数据修补以及异常数据修正：

序列噪声抑制采用模态分解方式，最先分解得到的模态具有最小的时间尺度，由于电力负荷序列呈现随机分布特性，将第一模态认定为噪声将其去除；

缺失数据修补从相似日方面和时间序列方面两个方面进行修补，对于相似日预测，将连续一段时间的数据按一天进行划分，则负荷序列从一个行向量转变为矩阵形式：

每一列表示相似日序列；假设和

分别表示缺失数据x_t在垂直和水平两个方向的修正结果，则最终修正结果为对于非连续缺失数据的修补，仅从相似日方面进行修补；

异常数据修正具体包括明显异常数据剔除和缺失数据修补，对于明显异常的数据将其剔除出序列，并采用缺失数据修补的方式重新给出新的数据来代替异常数据；

步骤(24)、对数据进行约束化处理，其约束条件为|＜q,x_i＞+b-y_i|≤ε,i＝1,…,l及i＝1,…,l，其中，ε为精度；对电力负荷预测模型的参数进行设置，根据训练数据对模型进行训练；

步骤(25)、根据模型训练后得到的负荷预测方程，对电网的电力负荷进行短期预测。

4.根据权利要求3所述的一种含光伏发电系统的优化调度方法，其特征在于，所述步骤(4)中同样采用最小二乘支持向量机模型对光伏电站的并网功率进行短期预测具体包括：

获取光伏并网功率历史数据，并对数据进行预处理，对缺测数据进行填补，对不合理数据进行修正；

对数据集进行天气类型的划分，寻找近期日类型相同的数据，将相同类型相同时刻的历史输出功率值、以及温度湿度气象信息，形成训练样本，作为输入数据；

对数据进行归一化处理；

选择径向基核函数，采用参数搜索和交叉验证，选择最佳的惩罚系数和核函数参数；

用得到的最佳的惩罚系数和核函数参数进行训练，得到最小二乘支持向量机短期功率预测模型；

选择晴天、多云、雨天和雾霾天四种类型的天气，分别对每个光伏电站各整点的输出功率进行短期预测；

将每个光伏电站的短期功率预测数据进行叠加，得到总的光伏电站短期预测功率。

5.根据权利要求1所述的一种含光伏发电系统的优化调度方法，其特征在于，所述步骤(5)中的含光伏发电系统的优化调度模型具体为：

目标函数：

目标函数分别表示火力发电成本最低，以及弃光量最小化以保证最大限度的接纳光电；

约束条件：

其中，T为日调度总时段数，取24；M为光伏电站数量，N为火力发电机组数量；F_i为第i台火力发电机组的煤耗成本，P_it为第i台火力发电机组在t时刻的发电功率，a_i、b_i、c_i为第i台火力发电机组的煤耗参数；

为第j个光伏电站在t时刻的输出功率，P_t ^PV*为光伏电站在t时刻的预测功率；P_t ^D为t时刻的负荷预测值；P_min为火力发电机组的最小输出功率，P_max为火力发电机组的最大输出功率。

6.根据权利要求1所述的一种含光伏发电系统的优化调度方法，其特征在于，所述步骤(6)中采用粒子群算法对优化调度模型进行求解，具体步骤包括：

步骤(61)、对机组排序，系统初始化，k＝1；

步骤(62)、对粒子速度、位置、机组持续运行时间进行更新；

步骤(63)、判断粒子是否满足约束，若是，进入步骤(64)；若否，对粒子进行修正，并重新判断粒子是否满足约束，若是，进入步骤(64)，若否，重新生成粒子；

步骤(64)、计算粒子在当前状态的最优机组出力；

步骤(65)、计算粒子适应值，更新粒子个体和全局最优值；

步骤(66)、k＝k+1，更新惯性权重和学习因子；

步骤(67)、判断是否达到最大迭代次数，若否，返回步骤(62)；若是，输出最优机组组合、对应的机组出力以及相应的适应值。

Images