CN110750759B - 一种基于虚拟储能并带有误差调制的需求侧管理方法 - Google Patents
一种基于虚拟储能并带有误差调制的需求侧管理方法 Download PDFInfo
- Publication number
- CN110750759B CN110750759B CN201910859976.7A CN201910859976A CN110750759B CN 110750759 B CN110750759 B CN 110750759B CN 201910859976 A CN201910859976 A CN 201910859976A CN 110750759 B CN110750759 B CN 110750759B
- Authority
- CN
- China
- Prior art keywords
- day
- error
- electricity price
- real
- market
- 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
- 238000007726 management method Methods 0.000 title claims abstract description 51
- 230000005611 electricity Effects 0.000 claims abstract description 188
- 238000000034 method Methods 0.000 claims abstract description 29
- 238000003860 storage Methods 0.000 claims abstract description 28
- 238000004146 energy storage Methods 0.000 claims abstract description 21
- 238000007599 discharging Methods 0.000 claims abstract description 9
- 238000012795 verification Methods 0.000 claims description 57
- 238000004364 calculation method Methods 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 239000002131 composite material Substances 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 230000006399 behavior Effects 0.000 abstract description 7
- 238000005457 optimization Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000035755 proliferation Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- 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)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Human Resources & Organizations (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Accounting & Taxation (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Computational Mathematics (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Water Supply & Treatment (AREA)
- Algebra (AREA)
- Public Health (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开一种基于虚拟储能并带有误差调制的需求侧管理方法,本方法包括将需求侧的储能单元划分为日前存储和实时存储,定义日前充电/放电功率和实时充电/放电功率为可调变量,设置需求侧管理模型的目标函数为日前市场估计成本与实时市场估计成本之和;采用误差驱动调制方法将日前市场的预测电价调制为预测调制电价,及将实时市场的预测电价调制为预测调制电价;以微电网收益最大化为目标,根据预测调制电价基于需求侧管理模型的目标函数调节相应的充电/放电功率。本发明通过概率密度估计模型结合误差驱动调制提高电力市场的预测价格精度,进而通过预测调制价格调整微电网的日前市场和实时市场负荷投标行为,降低了微电网的运营成本。
Description
技术领域
本发明涉及微电网负荷管理领域,尤其涉及一种基于虚拟储能并带有误差调制的需求侧管理方法。
背景技术
智能电网中的信息整合和通信技术在综合能源系统中起重要作用。电力系统中数据的激增将加强决策模型的使用,以进行实时数据分析。微电网是指小型的发配电系统,可以并入大电网,也可以孤岛运行,即可自己产生电,分配电,使用电并能充分利用分布式电网和新能源。这些模型中包括需求侧管理模型,用于挖掘微电网的潜在运营效益。在微电网中的数据分析可以帮助决策者预测能源需求,例如目前已经出现各种预测模型对电力市场进行负荷和价格预测。如果预测结果在正负两面均有较好的分布,则基于范数的训练目标可以很好地描述模型的精度。然而,正负误差并不总是公平分布的,这种不平衡分布可以在预测水平而非建模水平上进行改进。在电力市场环境中,预测误差的影响很少被评估,因此微电网操作人员应该能够在决策过程中处理预测误差,从而在不确定的情况下调整微电网的运行行为。电池能量系统是微电网行为调整的可行选择。
传统的需求侧管理方法,大多着力于提高电力市场中负荷预测和价格预测的精度。在特定的调度时段,决策者将预测结果视为实际负载,并将其发送到需求侧管理模型中以优化微电网运行。然而,预测结果不可能100%准确,正负误差也不总是公平分布的,传统的需求侧管理模型中并没有考虑过预测误差的影响,这会导致微电网决策者无法始终正确调整微电网的运行行为,这增加了微电网的运行成本。为了降低微电网的运行成本,建立了纳入了需求侧管理的微电网经济优化模型,该模型考虑了可调负载以响应动态电力市场价格。因此,对电力市场的负荷预测和价格预测显得至关重要。为了提高预测精度,前人提出了不同的能源需求预测优化方法,例如基于神经网络的遗传算法,粒子群算法等。根据准确的预测结果,决策者可以优化电力系统运行。
传统的微电网需求侧管理模型一般根据不同的预测方法进行负荷预测,在考虑运行成本和用户效益的基础上,建立微电网多目标经济调度模型,对可控负荷进行有效的控制,在保证电力系统安全运行的情况下缓解用电紧张问题,同时降低微电网的运营成本。
发明内容
本发明为克服上述现有技术所述的至少一种缺陷(不足),提供一种误差驱动调制方法及模型。
本发明旨在至少在一定程度上解决上述技术问题。
为了达到上述技术效果,本发明的技术方案如下:
一种基于虚拟储能并带有误差调制的需求侧管理方法,包括:
S10将需求侧管理的储能单元划分为日前存储和实时存储,在日前存储中定义日前充电/放电功率vd,ij为可调变量,在实时存储定义实时充电/放电功率vr,ij为可调变量;
实时市场的估计成本计算公式如下:
其中Lp,ij为第j天第i小时的预测负荷;
S40以微电网收益最大化为目标,根据预测调制电价基于需求侧管理模型的目标函数调节相应的充电/放电功率。
优选地,所述需求侧管理模型优化的目标函数的约束条件至少包括:
(1)根据微电网的操作约束会限制两个子存储的集成性能,充电功率限制的约束条件为:vmin≤vij=vd,ij+vr,ij≤vmax;
(3)根据实时市场在平衡供需方面的能力,在正常情况下,实时市场无法满足实际负载,且与日前市场提交的投标距离远,因此实际负荷和日前负荷之间的差异限制在安全范围内,约束条件为:β是决策者根据他们的市场经验提供的临界值;
优选地,所述S30中误差驱动调制方法具体如下:
S301从神经网络电价预测模型获取日前电价的预测电价和实时电价的预测电价,建立基于范数的日前电价预测误差模型MAEd;建立基于范数的实时电价预测误差模型MAEr;
S302将日前电价预测误差模型MAEd按正、负误差调整为是日前电价正预测误差模型MAEd,pos并获取日前电价在目标预测周期第j天的平均绝对误差MAEd,pos,j,及日前电价负预测误差模型MAEd,neg并获取日前电价在目标预测周期第j天的负误差平均绝对值|MAEd,neg,j|;将实时电价预测误差模型MAEr按正、负误差调整为实时电价正预测误差模型MAEr,pos并获取实时电价在目标预测周期第j天的平均绝对误差MAEr,pos,j,及实时电价负预测误差模型MAEr,neg,并获取实时电价在目标预测周期第j天的负误差平均绝对值|MAEr,neg,j|;
S303选取校验周期BP,采用日前电价在校验周期BP内历史误差数据训练概率密度估计模型,获取日前电价在校验周期中第j天的平均绝对误差MAEd,pos,j,BP及负误差平均绝对值|MAEd,neg,j,BP|,及采用实时电价在校验周期BP内历史误差数据训练概率密度估计模型,获取实时电价在校验周期中第j天的平均绝对误差MAEr,pos,j,BP及负误差平均绝对值|MAEr,neg,j,BP|;
S304计算日前电价在目标预测周期第j天的平均绝对误差MAEd,pos,j与日前电价在目标预测周期第j天的负误差平均绝对值|MAEd,neg,j|的差值以获取日前电价在目标预测周期的不平衡误差;计算日前电价在校验周期中第j天的平均绝对误差MAEd,pos,j,BP与负误差平均绝对值|MAEd,neg,j,BP|的差值以获取日前电价在校验周期的不平衡误差;计算实时电价在目标预测周期第j天的平均绝对误差MAEr,pos,j与负误差平均绝对值|MAEr,neg,j|的差值以获取实时电价在目标预测周期的不平衡误差;计算实时电价在校验周期中第j天的平均绝对误差MAEr,pos,j,BP和负误差平均绝对值|MAEr,neg,j,BP|的差值以获取实时电价在校验周期的不平衡误差;
S305设置相似阈值τ,以验证日前电价在目标预测周期中不平衡误差与在校验周期Bp内的不平衡误差的相似性δd,BP,及验证实时电价在目标预测周期中不平衡误差与在校验周期Bp内的不平衡误差的相似性δr,BP;
S306若δd,BP大于τ,从训练后的概率密度估计模型获取日前电价预测电价的平均偏差μd,j和实时电价预测电价的平均偏差μr,j,根据平均值偏差将预测电价调制为相应的预测调制电价。
优选地,所述S301中基于范数的日前电价预测误差模型MAEd的计算公式如下:
所述基于范数的实时电价预测误差模型MAEr的计算公式如下:
其中Pd,r是日前市场的实际电价,Pd,s,ij是第j天i小时日前市场的实际电价,Pd,p是日前市场的预测电价,Pd,p,ij是第j天i小时日前市场的预测电价,Pr,s是实时市场的实际电价,Pr,s,ij是第j天i小时实时市场的实际电价,Pr,p是实时市场的预测电价,Pr,p,ij是第j天i小时实时市场的预测电价。
优选地,所述S20中MAEd,pos,j、MAEd,neg,j、MAEr,pos,j、MAEr,neg,j的计算公式分别如下:
优选地,所述概率密度估计模型的估计公式如下:
其中公式(10)是概率密度估计公式,x概率密度的自变量,是日前市场电价预测的估计概率密度函数,n为总样本天数,j为校验周期中第j天,xj对应于校验周期中的第j天的误差样本,μd,j表示的平均值偏差,σd,j表示标准偏差,公式(11)是核函数,u为h是核函数的一个平滑参数。
优选地,所述预测电价调制的方法为:
给定估计的误差分布,平均值将是对负载预测中潜在误差的公平估计,故对预测结果的调制取估计预测误差的一半,公式如下:
其中,Ermodu,d,j指的是对预测电价的误差调制,Erest,d,j指的是对电价预测潜在误差的平均估计,d表示日前市场,j表示校验周期中第j天,i表示第i小时,μd,j表示日前市场电价预测的估计概率密度函数的平均值偏差,Pd,ij是日前市场的第j天第i小时的预测电价,是日前市场的第j天第i小时的预测调制电价,同理,可得实时市场的预测调制电价即μr,j表示实时市场电价预测的估计概率密度函数的平均值偏差。
优选地,所述S305设置相似阈值τ验证日前电价在目标预测周期中不平衡误差与校验周期Bp内的不平衡误差的相似性δd,BP的计算公式如下:
所述验证实时电价在目标预测周期中不平衡误差与在校验周期Bp内的不平衡误差的相似性δr,BP的计算公式如下:
校验周期BP的总天数与目标预测周期总天数相同,取值为n,
若δd,BP≧τ或δr,BP≧τ,表示对应的预测周期的不平衡误差与校验周期内的不平衡误差相似。
优选地,所述需求侧管理模型的目标函数的假设条件为:负荷预测的准确率为100%。
与现有技术相比,本发明技术方案的有益效果是:本发明提出基于概率密度估计的误差驱动预则调制,提高预测精度;考虑到日前市场的负荷和实际负荷之间的误差在需求侧管理中可以起到积极作用,划分子虚拟存储,在日前存储中定义日前充电/放电功率vd,ij为可调变量,在实时存储定义实时充电/放电功率vr,ij为可调变量,通过需求侧管理模型目标函数调整日前市场和实时市场的微电网的负荷投标行为,以获得微电网的收益最大化。
附图说明
图1为本发明的误差驱动调制方法的方法流程图。
图2为本发明需求侧管理的评估环境图。
具体实施方式
附图仅用于示例性说明,不能理解为对本专利的限制;
为了更好说明本实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;
对于本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
一种基于虚拟储能并带有误差调制的需求侧管理方法,包括:
S10将需求侧管理的储能单元划分为日前存储和实时存储,在日前存储中定义日前充电/放电功率vd,ij为可调变量,在实时存储定义实时充电/放电功率vr,ij为可调变量;
实时市场的估计成本计算公式如下:
其中Lp,ij为第j天第i小时的预测负荷;
S40以微电网收益最大化为目标,根据预测调制电价基于需求侧管理模型的目标函数调节相应的充电/放电功率。
在本发明实施例中,本发明考虑到日前市场的负荷和实际负荷的差在需求侧管理优化中并不总是起负作用。如果实时负载大于日前负载,则当实时市场中的电价小于在日前市场中的电价时,可降低微电网的运营成本。在日前市场的电价更高时,微电网的运营成本可以通过减少日前市场中的投标或增加实时市场的负荷而降低;当实时市场的价格较高时,可以通过减少实时负荷或增加在日前市场中的投标来降低运营成本。
本发明提出基于概率密度估计的误差驱动预测调制,提高预测精度;考虑到日前市场的负荷和实际负荷之间的误差在需求侧管理中可以起到积极作用,划分子虚拟存储,在日前存储中定义日前充电/放电功率vd,ij为可调变量,在实时存储定义实时充电/放电功率vr,ij为可调变量,通过需求侧管理模型目标函数调整日前市场和实时市场的微电网的负荷投标行为,以获得微电网的收益最大化。
优选地,所述需求侧管理模型优化的目标函数的约束条件至少包括:
(1)根据微电网的操作约束会限制两个子存储的集成性能,充电功率限制的约束条件为:vmin≤vij=vd,ij+vr,ij≤vmax;
在本发明实施例中,本发明在考虑到微电网的操作约束会限制两个子存储的集成性能时,仅从约束条件(1)和(2)来看,意味着每个子存储可以超过限制,只要另一个存储可以帮助减少限制内的总数量,如果没有对每个子存储进行单独约束,充电/放电功率可能会变得非常大,因此新增加约束条件(3)和(4)。根据实时市场在平衡供需方面的能力,在正常情况下,实时市场无法满足实际负载,且与日前市场提交的投标距离远,因此实际负荷和日前负荷之间的差异限制在安全范围内,增加约束条件(3),为了确保操作方案的可重复性,每个储能器的初始储能水平应等于一天结束时的能量水平,增加约束条件(4)。在调度周期内,决策者将预测负荷视为实际负荷,并根据电力市场价格预测及误差调制,对需求侧管理模型进行优化。需求侧管理模型还接收来自现场设备(例如能量存储)的操作约束,使微电网的运营成本最低。
优选地,所述S30中误差驱动调制方法具体如下:
S301从神经网络电价预测模型获取日前电价的预测电价和实时电价的预测电价,建立基于范数的日前电价预测误差模型MAEd;建立基于范数的实时电价预测误差模型MAEr;
S302将日前电价预测误差模型MAEd按正、负误差调整为是日前电价正预测误差模型MAEd,pos并获取日前电价在目标预测周期第j天的平均绝对误差MAEd,pos,j,及日前电价负预测误差模型MAEd,neg并获取日前电价在目标预测周期第j天的负误差平均绝对值|MAEd,neg,j|;将实时电价预测误差模型MAEr按正、负误差调整为实时电价正预测误差模型MAEr,pos并获取实时电价在目标预测周期第j天的平均绝对误差MAEr,pos,j,及实时电价负预测误差模型MAEr,neg,并获取实时电价在目标预测周期第j天的负误差平均绝对值|MAEr,neg,j|;
S303选取校验周期BP,采用日前电价在校验周期BP内历史误差数据训练概率密度估计模型,获取日前电价在校验周期中第j天的平均绝对误差MAEd,pos,j,BP及负误差平均绝对值|MAEd,neg,j,BP|,及采用实时电价在校验周期BP内历史误差数据训练概率密度估计模型,获取实时电价在校验周期中第j天的平均绝对误差MAEr,pos,j,BP及负误差平均绝对值|MAEr,neg,j,BP|;
S304计算日前电价在目标预测周期第j天的平均绝对误差MAEd,pos,j与日前电价在目标预测周期第j天的负误差平均绝对值|MAEd,neg,j|的差值以获取日前电价在目标预测周期的不平衡误差;计算日前电价在校验周期中第j天的平均绝对误差MAEd,pos,j,BP与负误差平均绝对值|MAEd,neg,j,BP|的差值以获取日前电价在校验周期的不平衡误差;计算实时电价在目标预测周期第j天的平均绝对误差MAEr,pos,j与负误差平均绝对值|MAEr,neg,j|的差值以获取实时电价在目标预测周期的不平衡误差;计算实时电价在校验周期中第j天的平均绝对误差MAEr,pos,j,BP和负误差平均绝对值|MAEr,neg,j,BP|的差值以获取实时电价在校验周期的不平衡误差;
S305设置相似阈值τ,以验证日前电价在目标预测周期中不平衡误差与在校验周期Bp内的不平衡误差的相似性δd,BP,及验证实时电价在目标预测周期中不平衡误差与在校验周期Bp内的不平衡误差的相似性δr,BP;
S306若δd,BP大于τ,从训练后的概率密度估计模型获取日前电价预测电价的平均偏差μd,j和实时电价预测电价的平均偏差μr,j,根据平均值偏差将预测电价调制为相应的预测调制电价。
在本发明实施例中,本发明的误差驱动调制方法对应于日前储能和实时储能,分别建立日前电价预测误差模型和实时电价预测误差模型,根据预测电价的正、负误差,区分预测电价,并获取平均概率误差;为了提高不平衡误差分布的模型精度,选取合适的的校验周期BP,在校验周期内的历史误差数据训练概率密度估计模型,验证目标周期中误差不平衡是否与校验周期BP中的误差不平衡的相似性,根据决策者意愿设定相似阈值τ,若计算所得的相似性大于或等于相似阈值τ,则表明校验周期内的不平衡误差分布与预测中的误差分布相似,从训练后的概率密度估计模型获取日前电价预测电价的平均偏差μd,j和实时电价预测电价的平均偏差μr,j,根据平均值偏差将预测电价调制为相应的预测调制电价。
本发明通过先验证校验周期内的不平衡误差分布与预测中的误差分布的相似性,再进行预测电价的调制,提高预测电价的精度。
优选地,所述S301中基于范数的日前电价预测误差模型MAEd的计算公式如下:
所述基于范数的实时电价预测误差模型MAEr的计算公式如下:
其中Pd,r是日前市场的实际电价,Pd,s,ij是第j天i小时日前市场的实际电价,Pd,p是日前市场的预测电价,Pd,p,ij是第j天i小时日前市场的预测电价,Pr,s是实时市场的实际电价,Pr,s,ij是第j天i小时实时市场的实际电价,Pr,p是实时市场的预测电价,Pr,p,ij是第j天i小时实时市场的预测电价。
优选地,所述S20中MAEd,pos,j、MAEd,neg,j、MAEr,pos,j、MAEr,neg,j的计算公式分别如下:
优选地,所述概率密度估计模型的估计公式如下:
其中公式(10)是概率密度估计公式,x概率密度的自变量,是日前市场电价预测的估计概率密度函数,n为总样本天数,j为校验周期中第j天,xj对应于校验周期中的第j天的误差样本,μd,j表示的平均值偏差,σd,j表示标准偏差,公式(11)是核函数,u为h是核函数的一个平滑参数。
优选地,所述预测电价调制的方法为:
给定估计的误差分布,平均值将是对负载预测中潜在误差的公平估计,故对预测结果的调制取估计预测误差的一半,公式如下:
其中,Ermodu,d,j指的是对预测电价的误差调制,Erest,d,j指的是对电价预测潜在误差的平均估计,d表示日前市场,j表示校验周期中第j天,i表示第i小时,μd,j表示日前市场电价预测的估计概率密度函数的平均值偏差,Pd,ij是日前市场的第j天第i小时的预测电价,是日前市场的第j天第i小时的预测调制电价,同理,可得实时市场的预测调制电价即μr,j表示实时市场电价预测的估计概率密度函数的平均值偏差。
优选地,所述S305设置相似阈值τ验证日前电价在目标预测周期中不平衡误差与校验周期Bp内的不平衡误差的相似性δd,BP的计算公式如下:
所述验证实时电价在目标预测周期中不平衡误差与在校验周期Bp内的不平衡误差的相似性δr,BP的计算公式如下:
校验周期BP的总天数与目标预测周期总天数相同,取值为n,
若δd,BP≧τ或δr,BP≧τ,表示对应的预测周期的不平衡误差与校验周期内的不平衡误差相似。
优选地,所述需求侧管理模型的目标函数的假设条件为:负荷预测的准确率为100%。
实操实例:
一、建立误差驱动调制模型
a)日前和实时电价预测误差
正、负误差的识别对提高预测精度具有重要意义。基于范数的日前市场和实时市场电价的预测误差计算公式如下:
其中Pd,p,ij是第j天i小时日前市场的预测电价,Pd,s,ij是第j天i小时日前市场的实际电价,Pr,p,ij是第j天i小时实时市场的预测电价,Pr,s,ij是第j天i小时实时市场的实际电价。
在日前市场和实时市场价格预测模型中,不需要加入新的特征,可以根据正、负误差的分类来调整预测结果。日前电价第j天相应的正负误差分别用公式(3),(4)表示:
实时电价第j天相应的正负误差如公式(5),(6)所示:
b)误差驱动调制方法
为了提高带有不平衡误差分布的模型精度,本发明提出了一种基于概率密度估计理论的误差驱动预测调制方法,以日前市场的电价预测为例,过程如下:
步骤1:设置校验周期(BP)。选择合适的校验周期,校验周期的天数与目标预测周期的天数相等,利用在校验周期内的历史误差训练密度估计模型。
步骤2:验证目标预测周期中的误差不平衡是否与BP中的误差不平衡相似。稳定性验证如下:
其中,MAEd,pos,j是第j天的平均绝对误差。MAEd,pos,j,BP是在校验周期中对应第j天的平均绝对误差。如果预测周期的不平衡误差分布与校验周期内的分布相似,则公式(7)中括号内的比例表达式将接近于1。τ是由决策者提供的相似阈值。
MAEd,pos,j是目标预测周期中第j天的平均绝对正误差
MAEd,neg,j是目标预测周期中第j天的负误差的平均值
步骤3:预测稳定性的确认表明,校验周期内的不平衡误差分布与预测中的误差分布相似。可以基于历史数据的概率密度估计来估计预测误差。非参数核密度估计公式如下:
其中公式(10)是概率密度估计公式,公式(11)是核函数。是日前市场电价预测的估计概率密度函数,xk是对应于校验周期中的第k天的误差样本,μd,j和σd,j分别表示的平均值偏差和标准偏差。给定估计的误差分布,平均值将是对负载预测中潜在误差的公平估计。因此,对预测结果的调制应该是此误差的一半,如下所示:
Ermodu,d,j指的是对预测结果的误差调制;Erest,d,j指的是对电价预测潜在误差的平均估计。d表示日前市场,j表示第j天,i表示第i小时,μd,j表示日前市场电价预测的估计概率密度函数的平均值偏差。
二、建立需求侧管理模型
a)传统的需求侧管理模型
传统的需求侧管理模型假设负荷预测和电价预测均具有100%的精度,
其中目标函数和约束表示如下所示:
约束条件1:vmin≤vij≤vmax (16)
其它约束:fq(γij)∈[γmin,γmax] (18)
式(15)是最小化总优化成本的目标函数。公式(16)和(17)分别表示充电功率限制和能量存储大小的限制。vij表示存储设备在第j天的第i个小时的充电功率,负值表示放电。公式(11)表示决策者指定的其他操作约束。
b)带有误差调制和虚拟储能的需求侧管理模型
日前市场的负荷和实际负荷的差在需求侧管理优化中并不总是起负作用。如果实时负载大于日前负载,则当实时市场中的电价小于在日前市场中的电价时,可降低微电网的运营成本。在日前市场的电价更高时,微电网的运营成本可以通过减少日前市场中的投标或增加实时市场的负荷而降低;当实时市场的价格较高时,可以通过减少实时负荷或增加在日前市场中的投标来降低运营成本。图1展示了日前市场和实时市场之间的成本变化。因此,为了实现微电网收益最大化,决策者需要一个负载调整工具,同时调整日前市场和实时市场的微电网的负荷投标行为。为了实现这一目标,我们提出了一种虚拟存储管理方案。虚拟储能的为日前负荷和实时负荷提供两个可调变量,即将每个储能单元划分为两个子库—日前存储和实时存储,传统储能和虚拟储能的区别如公式(20)所示:
在虚拟储能中,vd,ij是日前市场子存储的充电/放电功率,vr,ij是实时市场子存储的充电/放电功率。在两阶段电力市场结构(日前和实时市场)中,购买电力的总成本取决于两个市场的价格和交易情况。因此,两个可调变量可以在两个市场内的电力交易中创造足够的灵活性。
在带有虚拟储能和误差调制的需求侧管理模型,日前市场和实时市场的负荷都要被考虑,假定负荷预测准确率为100%,该模型优化的目标函数如公式(21)所示:
在需求侧管理中为日前市场指定日前存储,并对日前市场的电价预测进行了误差调制,其估计成本如下所示:
实时市场的成本是由日前市场的竞价量与实际负荷之间的功率差决定的,并对实时市场的电价预测进行误差调制后,实时市场的估计成本如下:
微电网的操作约束会限制两个子存储的集成性能。
约束条件1:vmin≤vij=vd,ij+vr,ij≤vmav
这意味着每个子存储器都可以超过限制,只要另一个存储可以帮助减少限制内的总数量。但如果没有对每个子存储进行单独约束,充电/放电功率可能会变得非常大。因此,两个新的约束定义如下。
第一个约束来自市场对负荷投标数量的要求(强制为非负),具体如下:
第二条约束来自实时市场在平衡供需方面的能力。正常情况下,实时市场无法满足实际负载,且与日前市场提交的投标非常远。因此,实际负荷和日前负荷之间的差异应限制在安全范围内,如下所示:
其中β是决策者根据他们的市场经验提供的临界值。
为确保操作方案的可重复性,每个储能器的初始储能水平应等于一天结束时的能量水平,如下所示:
相同或相似的标号对应相同或相似的部件;
附图中描述位置关系的用于仅用于示例性说明,不能理解为对本专利的限制;
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (8)
1.一种基于虚拟储能并带有误差调制的需求侧管理方法,其特征在于,包括:
S10将需求侧管理的储能单元划分为日前存储和实时存储,在日前存储中定义日前充电/放电功率vd,ij为可调变量,在实时存储定义实时充电/放电功率vr,ij为可调变量;
实时市场的估计成本计算公式如下:
其中Lp,ij为第j天第i小时的预测负荷;
S40以微电网收益最大化为目标,根据预测调制电价基于需求侧管理模型的目标函数调节相应的充电/放电功率;
所述需求侧管理模型优化的目标函数的约束条件至少包括:
(1)根据微电网的操作约束会限制两个子存储的集成性能,充电功率限制的约束条件为:vmin≤vij=vd,ij+vr,ij≤vmax;
(3)根据实时市场在平衡供需方面的能力,在正常情况下,实时市场无法满足实际负载,且与日前市场提交的投标距离远,因此实际负荷和日前负荷之间的差异限制在安全范围内,约束条件为:β是决策者根据他们的市场经验提供的临界值;
2.如权利要求1所述的基于虚拟储能并带有误差调制的需求侧管理方法,其特征在于,所述S30中误差驱动调制方法具体如下:
S301从神经网络电价预测模型获取日前电价的预测电价和实时电价的预测电价,建立基于范数的日前电价预测误差模型MAEd;建立基于范数的实时电价预测误差模型MAEr;
S302将日前电价预测误差模型MAEd按正、负误差调整为是日前电价正预测误差模型MAEd,pos并获取日前电价在目标预测周期第j天的平均绝对误差MAEd,pos,j,及日前电价负预测误差模型MAEd,neg并获取日前电价在目标预测周期第j天的负误差平均绝对值|MAEd,neg,j|;将实时电价预测误差模型MAEr按正、负误差调整为实时电价正预测误差模型MAEr,pos并获取实时电价在目标预测周期第j天的平均绝对误差MAEr,pos,j,及实时电价负预测误差模型MAEr,neg,并获取实时电价在目标预测周期第j天的负误差平均绝对值|MAEr,neg,j|;
S303选取校验周期BP,采用日前电价在校验周期BP内历史误差数据训练概率密度估计模型,获取日前电价在校验周期中第j天的平均绝对误差MAEd,pos,j,BP及负误差平均绝对值|MAEd,neg,j,BP|,及采用实时电价在校验周期BP内历史误差数据训练概率密度估计模型,获取实时电价在校验周期中第j天的平均绝对误差MAEr,pos,j,BP及负误差平均绝对值|MAEr,neg,j,BP|;
S304计算日前电价在目标预测周期第j天的平均绝对误差MAEd,pos,j与日前电价在目标预测周期第j天的负误差平均绝对值|MAEd,neg,j|的差值以获取日前电价在目标预测周期的不平衡误差;计算日前电价在校验周期中第j天的平均绝对误差MAEd,pos,j,BP与负误差平均绝对值|MAEd,neg,j,BP|的差值以获取日前电价在校验周期的不平衡误差;计算实时电价在目标预测周期第j天的平均绝对误差MAEr,pos,j与负误差平均绝对值|MAEr,neg,j|的差值以获取实时电价在目标预测周期的不平衡误差;计算实时电价在校验周期中第j天的平均绝对误差MAEr,pos,j,BP和负误差平均绝对值|MAEr,neg,j,BP|的差值以获取实时电价在校验周期的不平衡误差;
S305设置相似阈值τ,以验证日前电价在目标预测周期中不平衡误差与在校验周期Bp内的不平衡误差的相似性δd,BP,及验证实时电价在目标预测周期中不平衡误差与在校验周期Bp内的不平衡误差的相似性δr,BP;
S306若δd,BP大于τ,从训练后的概率密度估计模型获取日前电价预测电价的平均偏差μd,j和实时电价预测电价的平均偏差μr,j,根据平均值偏差将预测电价调制为相应的预测调制电价。
6.如权利要求1所述的基于虚拟储能并带有误差调制的需求侧管理方法,其特征在于,所述预测电价调制的方法为:
给定估计的误差分布,平均值将是对负载预测中潜在误差的公平估计,故对预测结果的调制取估计预测误差的一半,公式如下:
8.如权利要求2所述的基于虚拟储能并带有误差调制的需求侧管理方法,其特征在于,所述需求侧管理模型的目标函数的假设条件为:负荷预测的准确率为100%。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910859976.7A CN110750759B (zh) | 2019-09-11 | 2019-09-11 | 一种基于虚拟储能并带有误差调制的需求侧管理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910859976.7A CN110750759B (zh) | 2019-09-11 | 2019-09-11 | 一种基于虚拟储能并带有误差调制的需求侧管理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110750759A CN110750759A (zh) | 2020-02-04 |
CN110750759B true CN110750759B (zh) | 2023-04-21 |
Family
ID=69276361
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910859976.7A Active CN110750759B (zh) | 2019-09-11 | 2019-09-11 | 一种基于虚拟储能并带有误差调制的需求侧管理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110750759B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108510212A (zh) * | 2018-04-17 | 2018-09-07 | 香港中文大学(深圳) | 一种交互式能源系统的分布式能源调度方法及系统 |
CN109713673A (zh) * | 2019-02-25 | 2019-05-03 | 上海电力学院 | 售电环境下并网型微电网系统配置及优化运行的方法 |
CN109993639A (zh) * | 2018-12-17 | 2019-07-09 | 广西电网有限责任公司电力科学研究院 | 一种虚拟电厂参与日前电力市场的优化投标策略 |
CN110021965A (zh) * | 2019-03-20 | 2019-07-16 | 南方电网科学研究院有限责任公司 | 一种基于预测误差制定风电投标策略的方法 |
-
2019
- 2019-09-11 CN CN201910859976.7A patent/CN110750759B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108510212A (zh) * | 2018-04-17 | 2018-09-07 | 香港中文大学(深圳) | 一种交互式能源系统的分布式能源调度方法及系统 |
CN109993639A (zh) * | 2018-12-17 | 2019-07-09 | 广西电网有限责任公司电力科学研究院 | 一种虚拟电厂参与日前电力市场的优化投标策略 |
CN109713673A (zh) * | 2019-02-25 | 2019-05-03 | 上海电力学院 | 售电环境下并网型微电网系统配置及优化运行的方法 |
CN110021965A (zh) * | 2019-03-20 | 2019-07-16 | 南方电网科学研究院有限责任公司 | 一种基于预测误差制定风电投标策略的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110750759A (zh) | 2020-02-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7482167B2 (ja) | 動的エネルギーストレージシステム制御のためのシステムおよび方法 | |
US11551176B2 (en) | Methods and systems for determining economic viability of microgrid | |
US10205317B2 (en) | Management of grid-scale energy storage systems for multiple services | |
Zhang et al. | A systematic approach for the joint dispatch of energy and reserve incorporating demand response | |
Keerthisinghe et al. | Energy management of PV-storage systems: Policy approximations using machine learning | |
CN108875992B (zh) | 一种考虑需求响应的虚拟电厂日前优化调度方法 | |
US20160055507A1 (en) | Forecasting market prices for management of grid-scale energy storage systems | |
US20160042369A1 (en) | Dynamic co-optimization management for grid scale energy storage system (gsess) market participation | |
US12015275B2 (en) | Hybrid power plant | |
CN109919658A (zh) | 一种基于博弈论的负荷控制方法及系统 | |
CN110476312A (zh) | 用于协调在多个技术小单元和电传输网络之间的功率交换的方法 | |
US10333307B2 (en) | Machine learning based demand charge | |
US20190369166A1 (en) | Extending battery life in behind the meter battery energy storage systems | |
Appino et al. | Reliable dispatch of renewable generation via charging of time-varying PEV populations | |
CN107967533B (zh) | 一种计及分布式电源和需求侧响应的负荷预测方法 | |
Bazmohammadi et al. | Optimal operation management of a microgrid based on MOPSO and Differential Evolution algorithms | |
Jeong et al. | Deep reinforcement learning based real-time renewable energy bidding with battery control | |
CN110750759B (zh) | 一种基于虚拟储能并带有误差调制的需求侧管理方法 | |
CN107967528A (zh) | 充电价格显示方法及装置 | |
CN116054270A (zh) | 电网调度优化方法、装置和非易失性存储介质 | |
WO2016151614A1 (en) | Energy management module, energy supply system, and energy supply method | |
CN113471966A (zh) | 一种计及中断优先级的大工业负荷柔性调控方法 | |
Vagropoulos et al. | An integrated simulation platform for assessing the integration of plug-in electric vehicles in electricity markets | |
CN116995685A (zh) | 一种可调节负荷聚合管理优化调度方法及终端设备 | |
Bian et al. | Optimal Bidding Strategy for PV and BESSs in Joint Energy and Frequency Regulation Markets Considering Carbon Reduction Benefits |
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 |