CN111371091A - 基于市场效益驱动的光伏发电智能预测系统的计算方法 - Google Patents
基于市场效益驱动的光伏发电智能预测系统的计算方法 Download PDFInfo
- Publication number
- CN111371091A CN111371091A CN202010279996.XA CN202010279996A CN111371091A CN 111371091 A CN111371091 A CN 111371091A CN 202010279996 A CN202010279996 A CN 202010279996A CN 111371091 A CN111371091 A CN 111371091A
- Authority
- CN
- China
- Prior art keywords
- data
- photovoltaic
- module
- cost
- time sequence
- 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.)
- Withdrawn
Links
- 238000004364 calculation method Methods 0.000 title claims abstract description 97
- 238000010248 power generation Methods 0.000 title claims abstract description 72
- 230000008901 benefit Effects 0.000 title claims abstract description 24
- 238000005457 optimization Methods 0.000 claims abstract description 61
- 238000010801 machine learning Methods 0.000 claims abstract description 24
- 238000010276 construction Methods 0.000 claims abstract description 16
- 238000013480 data collection Methods 0.000 claims abstract description 16
- 239000011159 matrix material Substances 0.000 claims description 115
- 230000006870 function Effects 0.000 claims description 89
- 238000000034 method Methods 0.000 claims description 37
- 238000013178 mathematical model Methods 0.000 claims description 28
- 230000008569 process Effects 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 9
- 108010074506 Transfer Factor Proteins 0.000 claims description 3
- 150000001875 compounds Chemical class 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 239000002184 metal Substances 0.000 claims description 3
- 230000000717 retained effect Effects 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000006467 substitution reaction Methods 0.000 claims 1
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000009795 derivation Methods 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
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
- H02S—GENERATION OF ELECTRIC POWER BY CONVERSION OF INFRARED RADIATION, VISIBLE LIGHT OR ULTRAVIOLET LIGHT, e.g. USING PHOTOVOLTAIC [PV] MODULES
- H02S50/00—Monitoring or testing of PV systems, e.g. load balancing or fault identification
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/50—Photovoltaic [PV] energy
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及基于市场效益驱动的光伏发电智能预测系统的计算方法,其中预测系统包括:光伏数据收集模块,机器学习模型,误差计算模块,机组优化计算模块,电网成本模块组,光伏发电厂成本模块组,总成本模块与权重更新模块。成本模块组有后备发电厂建设成本、其他能源成本、能源销售收入和购买太阳能成本的模块;光伏发电成本模块组有光伏发电厂预测不准确的额外成本模块和太阳能销售收入模块;优化计算模块包括各能源机组数据、数学建模和优化计算模块。通过机器学习模型预测光伏时序发电数据,还通过电网和光伏发电厂的成本数据以及预测精度数据优化更新机器学习模型的权重,实现光伏发电站在机器学习模型中预测的时序数据对市场效益更大化。
Description
技术领域
本发明涉及能源预测领域,尤其涉及基于市场效益驱动的光伏发电智能预测系统的计算方法。
背景技术
基于机器学习模型的光伏发电厂的光伏发电预测模型需要预测时序光伏发电数据,现有机器学习方法有前馈神经网络、循环神经网络、长短期记忆神经网络等。通过这些方法,光伏发电站可以利用历史光伏相关数据(包括历史光伏时序发电量,紫外线强度,温度等),预测未来的光伏发电量,从而有计划的投入到能源市场中,加入能源调度计划,一般是采用典型的机组组合数学模型获得能源调度计划。
但是现在的光伏发电预测系统仅仅考虑了预测数据的精度,精度成为了预测系统的唯一目标,虽然一般来说,更好的准确性将实现更好的决策。但这种光伏预测系统是没有考虑到市场的整体效益,并且预测的准确性并不总是与市场效益同步,因此传统的光伏发电预测系统对市场效益不是最优的。同时,传统的机组优化计算一般采用分支定界法、拉格朗日松弛法等方法求解,这种求解方法无法使目标函数对权重进行求导,因此本发明在基于市场效益驱动的光伏发电智能预测系统的基础上,采用了一种直接机组优化计算模块,将市场效益传递到权重更新模块中。本人申请的专利,申请号为:2020101729531专利名称为:一种基于市场效益驱动的光伏发电智能预测系统,公开了一种基于市场效益驱动的光伏发电智能预测系统,其中的机组优化计算采用的是传统的方法,存在上述的问题。
发明内容
1、所要解决的技术问题:
针对上述技术问题,本发明提出一种基于市场效益驱动的光伏发电智能预测系统的计算方法,方法中的机组优化计算模块的的计算方法,能实现分析过程的闭环。机组优化计算模块采用直接的算法获得机组时序发电成本数据,并通过反向传播的LM算法将市场效益的数据来更新机器学习模型的权重值,此发明考虑了光伏预测发电量和市场效益之间的相互影响。
2、技术方案:
基于市场效益驱动的光伏发电智能预测系统的计算方法,其中预测系统包括光伏数据收集模块,机器学习模型,误差计算模块,机组优化计算模块,电网成本模块组,光伏发电厂成本模块组,总成本模块以及权重更新模块;所述光伏数据收集模收集统计光伏发电厂中的历史光伏相关数据,输出光伏不同特征空间的数据;所述机器学习模型接收权重更新模块输出的权重数据以及光伏数据收集模块的光伏相关数据,并预测光伏发电厂的光伏时序发电数据,输出该光伏发电厂的时序数据;所述误差计算模块接收机器学习模型的光伏时序预测数据和光伏数据收集模块的光伏时序历史数据,输出平均偏移误差数据和偏移时序正误差数据;所述机组优化计算模块接收偏移时序正误差数据,获得机组优化结果,输出机组时序发电成本数据;所述电网成本模块组包括后备发电厂建设成本模块、购买其他能源成本模块、能源销售收入模块和购买太阳能成本模块;所述后备发电厂建设成本模块用于接收根据误差计算模块输出的偏移时序正误差数据计算出的备用电厂最大发电数据,输出备用电厂成本;所述购买其他能源成本模块为电网向其他发电站购买能源的能源价格,能源销售收入为电网向用电用户销售能源的收入;所述购买太阳能成本模块用于接收光伏时序历史数据,输出购买太阳能价格;所述光伏发电厂成本模块组包括预测不准确的额外成本模块和太阳能销售收入模块,其中,所述预测不准确的额外成本模块用于接收机组时序发电成本数据,输出该光伏发电厂预测不准确的额外成本;所述太阳能销售收入模块用于接收光伏时序历史数据,输出光伏发电厂的太阳能销售收入;所述总成本模块用于接收电网和光伏发电厂各成本数据,通过计算输出电网和光伏发电厂的总成本数据;权重更新模块用于接收总成本模块的成本数据和由时序输出数据与光伏时序历史数据计算获得的平均偏移误差数据,由此通过预定方法优化更新权重,输出更新后的权重数据。
其特征在于:所述根据误差计算模块输出的偏移时序正误差数据计算出的备用电厂最大发电数据的具体计算包括步骤11、步骤12:
步骤11:获取偏移时序正误差数据,由此计算最大偏移时序正误差数据,又因为Max()函数不可导,因此采用可导的函数近似,其表达式如下:
(1)式中,Q为偏移时序正误差数据的维度之积,L为一个较大的常数,Accq为第q个偏移时序正误差数据。
步骤12:计算备用电厂最大发电数据Max-data,其公式如下
Max_data=Max(Acc)-RES (2)
(2)式中,RES为电网已有的备用容量。
所述预测不准确的额外成本模块用于接收机组时序发电成本数据,输出该光伏发电厂预测不准确的额外成本EX_cost;具体计算公式如下式(3);
(3)式中,时序发电成本数据的维度为N行P列,EX_cost是预测不准确的额外成本模块的输出数据即额外成本。
所述权重更新模块通过预定方法优化更新权重的具体过程包括步骤21至步骤24:
步骤21:建立权重更新模块数学模型:
目标函数:
精度约束函数:
(4)、(5)式中,EX_cost为光伏发电厂预测不准确的额外成本;P_cost为电网的后备发电厂建设成本;O_cost为电网购买其他能源的成本,为一个常数;E_revenue为电网能源销售收入,为一个常数;α为后备发电厂建设成本在该目标函数下的权重系数,κ为不为零的常数,SCUC{Acc}为机组优化计算模块中的优化计算模对应的输出结果,RES为电网已有的备用容量,P_price为备用电厂建设单价,Accq为第q个偏移时序正误差数据,Acc为偏移时序误差数据,T为光伏时序历史数据,meαn()函数计算所有输入数据的平均值,此平均值是该函数的输出,k为最小精度百分比。
步骤22:目标函数的梯度计算
步骤23:目标函数的黑塞矩阵计算
式(7)Hess为黑塞矩阵。
步骤24:第r+1次迭代时的参数更;
(8)式中,λI是保证Hess(r)+λI这一项为正,其维度与与黑塞矩阵一致;W(r)代表第r次迭代的权重值,r为迭代次数。
通过步骤21到步骤24,获得第r+1次迭代的权重W(r+1),并将更新的权重值传递到机器学习模型中。
进一步地,所述机组优化计算模块包括各能源机组数据模块、数学建模模块和优化计算模块;所述各能源机组数据模块包括火电厂、核电厂、水电厂中的一种或者多种不同能源的机组出力曲线以及出力范围,并将这些数据传递到数学建模模块中;数学建模模块用于接收各能源发电厂的机组数据和偏移时序正误差数据,各能源发电厂的机组数据包括各能源机组出力曲线和机组出力范围;通过输入数据和电网网架的线路潮流数据,建立机组优化模型的目标函数和网架约束函数,输出相应的数学模型;优化计算模块用于接收数学建模模块的机组优化数学模型,并求解该数学模型,输出机组时序发电成本数据。
所述数学建模模块通过输入数据和电网网架的线路潮流数据,建立机组优化模型的目标函数和网架约束函数,输出相应的数学模型具体方法为:各能源机组出力曲线采用分段成本函数近似,其机组优化数学模型如下:
约束函数:
(10)式中,约束(1)为功率平衡约束,约束(2)为潮流约束,约束(3)为机组发电约束;其中,Ci,t为第i台发电机t时刻的发电成本,Pi,j,t为第i台发电机第j天t时刻的发电量,Dj,t为第j天的t时刻的偏移时序正误差数据,PLmax为网架线路的最大潮流功率限制,SF为转移因子矩阵,KP为发电机关联矩阵,Pj,t为j天t时刻的机组矩阵,KD为负荷关联矩阵,Dj,t为第j天的t时刻的负荷矩阵,Pmin,Pmax为机组发电容量下限矩阵和上限矩阵。
所述优化计算模块接收数学建模模块的机组优化数学模型,并求解该数学模型,输出机组时序发电成本数据的具体计算过程包括步骤51至步骤56:
步骤51:建立约束方程组:
上式中,G(p)为不等约束转变的等式方程,h(p)为等式约束方程对应的方程;其中,
式(11)中,G1(p)、G2(p)、G3(p)、G4(p)依次为潮流上限约束、机组上限约束、潮流下限约束与机组下限约束。
步骤52:将式(11)中的4个不等约束转变成等式约束;具体包括以下步骤521至步骤524:
步骤521:对潮流上限约束进行转变:
式(111)中,A1为未知数Pj,t矩阵的系数矩阵,其维度为NL行NG列;B1为常数矩阵,其维度为NL行1列。
步骤522:对机组上限约束进行转变:
式(112)中,A2为未知数Pj,t矩阵的系数矩阵,其是单位矩阵,维度为NG行NG列;B2为常数矩阵,其维度为NG行1列。
步骤523:对潮流下限约束进行转换:
式(113)中,A3为未知数Pj,t矩阵的系数矩阵,其维度为NL行NG列;B3为常数矩阵,其维度为NL行1列。
步骤524:对机组下限约束进行转换:
式(114)中,A4为未知数Pj,t矩阵的系数矩阵,其是单位矩阵,维度为NG行NG列;B4为常数矩阵,其维度为NG行1列。
约束等式G(p)=0可用Ap=B表示,
步骤53:等式方程的提取
由于第j天t时刻的机组优化目标函数:有NG个发电机,即存在NG个未知数,因此需要NG个方程求解;又所有的方程组为其中该方程对应的是功率平衡约束方程,因此不等约束方程G(p)需要提取(NG-1)个方程。
建立提取约束的矩阵NKC,维度为n行m列,其中
建立规则:所述规则具体为:NKC矩阵每一行的和为(NG-1);且同一行中,第d列与d+(NL+NG)列的元素和不等于(NG-1);其目的是保证不同时选择同一潮流约束和机组约束的上下限。
步骤54:方程组的求解
提取方程组:
对G(pq)=0方程的求解:G(pq)=0可转化为L_A1,q×pq=L_B1,q。
对h(p)=0方程的求解:h(p)=0可转化为L_A2×p=L_B2;
L_Aq维度为NG行NG列,L_Bq维度为NG行1列;
依次计算所有NKCq提取而得的对应方程组,得:
步骤55:从所有NKCq提取而得的对应方程组的所有解集:
表示该数学模型下,第j天t时刻的所有可能解集,机组组合最优解为Objj,t=Min([obj1,obj2,...,objr,...,objR]);
但因Min()函数无法求导,因此采用近似的方法提取最小值。
又因解集矩阵中可能存在零元素,为方便右面的近似提取最小值的计算,
将所有元素都加上一个不为零的常数κ;
有objj,t=Obj+κ
其中,α为较大的整数;上式为Min()函数的近似可导替代函数。
步骤56:通过循环步骤51到步骤55,计算出以偏移时序正误差数据为输入负荷的所有最优解,因此优化计算模块输出机组时序发电成本数据如下式;
其中,N,P代表偏移时序正误差数据的维度有N天P个时刻,而机组时序发电成本数据的维度与偏移时序正误差数据的维度相同。
进一步地,所述误差计算模块接收机器学习模型中的光伏时序预测数据和光伏数据收集模块的光伏时序历史数据,通过比较计算获得平均偏移误差数据和偏移时序正误差数据;其中,平均偏移误差数据的计算包括步骤31、步骤32:
步骤31:获取机器模型中输出的光伏时序预测数据与光伏时序历史数据,并对其进行计算,公式如下:
Acc=Y-T (31)
(31)式中,Acc为偏移时序误差数据,Y为光伏时序预测数据,T为光伏时序历史数据。
步骤32:计算平均偏移误差数据,公式如下:
(32)式中,mean()函数计算所有输入数据的平均值,此平均值是该函数的输出。
所述偏移时序正误差数据的计算包括以下步骤:
步骤41:获取机器模型中输出的光伏时序预测数据与光伏时序历史数据,并对其进行计算,公式如下:
Acc=Y-T (41)
式(41)中,Acc为偏移时序误差数据,Y为光伏时序预测数据,T为光伏时序历史数据。
步骤42:采用阶跃函数选择偏移时序正误差数据,但由于阶跃函数不可导,因此需一个替代可导函数近似,当偏移时序误差数据为正值时,保留其值,反之修正为零;公式如下:
(42)式中ε(Acc)为偏移时序正误数据,β为一个大于零的数据,当β的值越大,该替代可导函数越接近阶跃函数。
3、有益效果:
本发明提供的光伏发电模型通过利用光伏数据收集模块预测出光伏时序输出数据,并由此数据输入到误差计算模块,结合光伏历史数据进行一定的计算,获得偏移时序正误差数据和平均偏移误差数据,偏移时序正误差数据通过一定的计算获得备用电厂最大发电数据和通过机组优化计算模块得到机组时序发电成本数据,从而可计算出电网和光伏发电站的总成本,该成本数据以及平均偏移误差数据输入到权重更新模块中,通过基于反向传播的LM算法,获得新的权重数据,并将此数据输送到机器学习模型中,从而机器学习模型中预测出使市场获得更大效益的光伏时序预测数据。此分析过程实现了闭环,考虑了光伏预测发电量和市场效益之间的相互影响。
附图说明
图1为本发明的一种基于市场效益驱动的光伏发电智能预测系统的整体示意图;
图2中为本发明中的机组优化计算模块的计算方法流程图。
具体实施方式
如附图1所示:基于市场效益驱动的光伏发电智能预测系统的计算方法,包括光伏数据收集模块,机器学习模型,误差计算模块,机组优化计算模块,电网成本模块组,光伏发电厂成本模块组,总成本模块以及权重更新模块;所述光伏数据收集模收集统计光伏发电厂中的历史光伏相关数据,输出光伏不同特征空间的数据;所述机器学习模型接收权重更新模块输出的权重数据以及光伏数据收集模块的光伏相关数据,并预测光伏发电厂的光伏时序发电数据,输出该光伏发电厂的时序数据;所述误差计算模块接收机器学习模型的光伏时序预测数据和光伏数据收集模块的光伏时序历史数据,输出平均偏移误差数据和偏移时序正误差数据;所述机组优化计算模块接收偏移时序正误差数据,获得机组优化结果,输出机组时序发电成本数据;所述电网成本模块组包括后备发电厂建设成本模块、购买其他能源成本模块、能源销售收入模块和购买太阳能成本模块;所述后备发电厂建设成本模块用于接收根据误差计算模块输出的偏移时序正误差数据计算出的备用电厂最大发电数据,输出备用电厂成本;所述购买其他能源成本模块为电网向其他发电站购买能源的能源价格,能源销售收入为电网向用电用户销售能源的收入;所述购买太阳能成本模块用于接收光伏时序历史数据,输出购买太阳能价格;所述光伏发电厂成本模块组包括预测不准确的额外成本模块和太阳能销售收入模块,其中,所述预测不准确的额外成本模块用于接收机组时序发电成本数据,输出该光伏发电厂预测不准确的额外成本;所述太阳能销售收入模块用于接收光伏时序历史数据,输出光伏发电厂的太阳能销售收入;所述总成本模块用于接收电网和光伏发电厂各成本数据,通过计算输出电网和光伏发电厂的总成本数据;权重更新模块用于接收总成本模块的成本数据和由时序输出数据与光伏时序历史数据计算获得的平均偏移误差数据,由此通过预定方法优化更新权重,输出更新后的权重数据。
其特征在于:所述根据误差计算模块输出的偏移时序正误差数据计算出的备用电厂最大发电数据的具体计算包括步骤11、步骤12:
步骤11:获取偏移时序正误差数据,由此计算最大偏移时序正误差数据,又因为Max()函数不可导,因此采用可导的函数近似,其表达式如下:
(1)式中,Q为偏移时序正误差数据的维度之积,L为一个较大的常数,Accq为第q个偏移时序正误差数据。
步骤12:计算备用电厂最大发电数据Max-data,其公式如下
Max_data=Max(Acc)-RES (2)
(2)式中,RES为电网已有的备用容量。
采用式(1)求取偏移时序正误差最大值的近似函数不但可以求导,同时近似出来的最大值与实际最大值误差很小。
所述预测不准确的额外成本模块用于接收机组时序发电成本数据,输出该光伏发电厂预测不准确的额外成本EX_cost;具体计算公式如下式(3);
(3)式中,时序发电成本数据的维度为N行P列,EX_cost是预测不准确的额外成本模块的输出数据即额外成本。
上述求取时序发电数据中涉及到求取优化模型的最优解,此最优解是求取最小值。而一般的Min函数如法求导,因此是采用了近似的函数求取即式(3)。该函数近似的最小值与实际最小值误差小,同时可以求导。
所述权重更新模块通过预定方法优化更新权重的具体过程包括步骤21至步骤24:
步骤21:建立权重更新模块数学模型:
目标函数:
精度约束函数:
(4)、(5)式中,EX_cost为光伏发电厂预测不准确的额外成本;P_cost为电网的后备发电厂建设成本;O_cost为电网购买其他能源的成本,为一个常数;E_revenue为电网能源销售收入,为一个常数;α为后备发电厂建设成本在该目标函数下的权重系数,κ为不为零的常数,SCUC{Acc}为机组优化计算模块中的优化计算模对应的输出结果,RES为电网已有的备用容量,P_price为备用电厂建设单价,Accq为第q个偏移时序正误差数据,Acc为偏移时序误差数据,T为光伏时序历史数据,mean()函数计算所有输入数据的平均值,此平均值是该函数的输出,k为最小精度百分比。
步骤22:目标函数的梯度计算
步骤23:目标函数的黑塞矩阵计算
式(7)Hess为黑塞矩阵。
步骤24:第r+1次迭代时的参数更;
(8)式中,λI是保证Hess(r)+λI这一项为正,其维度与与黑塞矩阵一致;W(r)代表第r次迭代的权重值,r为迭代次数。
通过步骤21到步骤24,获得第r+1次迭代的权重W(r+1),并将更新的权重值传递到机器学习模型中。
进一步地,如附图2,所述机组优化计算模块包括各能源机组数据模块、数学建模模块和优化计算模块;所述各能源机组数据模块包括火电厂、核电厂、水电厂中的一种或者多种不同能源的机组出力曲线以及出力范围,并将这些数据传递到数学建模模块中;数学建模模块用于接收各能源发电厂的机组数据和偏移时序正误差数据,各能源发电厂的机组数据包括各能源机组出力曲线和机组出力范围;通过输入数据和电网网架的线路潮流数据,建立机组优化模型的目标函数和网架约束函数,输出相应的数学模型;优化计算模块用于接收数学建模模块的机组优化数学模型,并求解该数学模型,输出机组时序发电成本数据。
所述数学建模模块通过输入数据和电网网架的线路潮流数据,建立机组优化模型的目标函数和网架约束函数,输出相应的数学模型具体方法为:各能源机组出力曲线采用分段成本函数近似,其机组优化数学模型如下:
约束函数:
(10)式中,约束(1)为功率平衡约束,约束(2)为潮流约束,约束(3)为机组发电约束;其中,Ci,t为第i台发电机t时刻的发电成本,Pi,j,t为第i台发电机第j天t时刻的发电量,Dj,t为第j天的t时刻的偏移时序正误差数据,PLmax为网架线路的最大潮流功率限制,SF为转移因子矩阵,KP为发电机关联矩阵,Pj,t为j天t时刻的机组矩阵,KD为负荷关联矩阵,Dj,t为第j天的t时刻的负荷矩阵,Pmin,Pmax为机组发电容量下限矩阵和上限矩阵。
所述优化计算模块接收数学建模模块的机组优化数学模型,并求解该数学模型,输出机组时序发电成本数据的具体计算过程包括步骤51至步骤56:
步骤51:建立约束方程组:
上式中,G(p)为不等约束转变的等式方程,h(p)为等式约束方程对应的方程;其中,
式(11)中,G1(p)、G2(p)、G3(p)、G4(p)依次为潮流上限约束、机组上限约束、潮流下限约束与机组下限约束。
步骤52:将式(11)中的4个不等约束转变成等式约束;具体包括以下步骤521至步骤524:
步骤521:对潮流上限约束进行转变:
式(111)中,A1为未知数Pj,t矩阵的系数矩阵,其维度为NL行NG列;B1为常数矩阵,其维度为NL行1列;
步骤522:对机组上限约束进行转变:
式(112)中,A2为未知数Pj,t矩阵的系数矩阵,其是单位矩阵,维度为NG行NG列;B2为常数矩阵,其维度为NG行1列。
步骤523:对潮流下限约束进行转换:
式(113)中,A3为未知数Pj,t矩阵的系数矩阵,其维度为NL行NG列;B3为常数矩阵,其维度为NL行1列。
步骤524:对机组下限约束进行转换:
式(114)中,A4为未知数Pj,t矩阵的系数矩阵,其是单位矩阵,维度为NG行NG列;B4为常数矩阵,其维度为NG行1列。
约束等式G(p)=0可用Ap=B表示,
步骤53:等式方程的提取
由于第j天t时刻的机组优化目标函数:有NG个发电机,即存在NG个未知数,因此需要NG个方程求解;又所有的方程组为其中该方程对应的是功率平衡约束方程,因此不等约束方程G(p)需要提取(NG-1)个方程。
建立提取约束的矩阵NKC,维度为n行m列,其中
建立规则:所述规则具体为:NKC矩阵每一行的和为(NG-1);且同一行中,第d列与d+(NL+NG)列的元素和不等于(NG-1);其目的是保证不同时选择同一潮流约束和机组约束的上下限。
步骤54:方程组的求解
提取方程组:
对G(pq)=0方程的求解:G(pq)=0可转化为L_A1,q×pq=L_B1,q。
对h(p)=0方程的求解:h(p)=0可转化为L_A2×p=L_B2;
L_Aq维度为NG行NG列,L_Bq维度为NG行1列。
依次计算所有NKCq提取而得的对应方程组,得:
步骤55:从所有NKCq提取而得的对应方程组的所有解集:
表示该数学模型下,第j天t时刻的所有可能解集,机组组合最优解为Objj,t=Min([obj1,obj2,...,objr,...,objR]);
但因Min()函数无法求导,因此采用近似的方法提取最小值;
又因解集矩阵中可能存在零元素,为方便右面的近似提取最小值的计算,
将所有元素都加上一个不为零的常数κ;
有objj,t=Obj+κ
其中,α为较大的整数;上式为Min()函数的近似可导替代函数。
步骤56:通过循环步骤51到步骤55,计算出以偏移时序正误差数据为输入负荷的所有最优解,因此优化计算模块输出机组时序发电成本数据如下式;
其中,N,P代表偏移时序正误差数据的维度有N天P个时刻,而机组时序发电成本数据的维度与偏移时序正误差数据的维度相同。
传统的机组优化模型计算方法是采用迭代计算的,而迭代计算无法求出目标函数的导数。因此本发明采用直接算法求解优化模型,该算法的好处是不需要迭代,直接求解模型最优解,同时可对模型的目标函数进行求导,可获得目标函数的梯度,黑塞矩阵等。
进一步地,所述误差计算模块接收机器学习模型中的光伏时序预测数据和光伏数据收集模块的光伏时序历史数据,通过比较计算获得平均偏移误差数据和偏移时序正误差数据;其中,平均偏移误差数据的计算包括步骤31、步骤32:
步骤31:获取机器模型中输出的光伏时序预测数据与光伏时序历史数据,并对其进行计算,公式如下:
Acc=Y-T (31)
(31)式中,Acc为偏移时序误差数据,Y为光伏时序预测数据,T为光伏时序历史数据。
步骤32:计算平均偏移误差数据,公式如下:
(32)式中,mean()函数计算所有输入数据的平均值,此平均值是该函数的输出。
所述偏移时序正误差数据的计算包括以下步骤:
步骤41:获取机器模型中输出的光伏时序预测数据与光伏时序历史数据,并对其进行计算,公式如下:
Acc=Y-T (41)
式(41)中,Acc为偏移时序误差数据,Y为光伏时序预测数据,T为光伏时序历史数据。
步骤42:采用阶跃函数选择偏移时序正误差数据,但由于阶跃函数不可导,因此需一个替代可导函数近似,当偏移时序误差数据为正值时,保留其值,反之修正为零;公式如下:
(42)式中ε(Acc)为偏移时序正误数据,β为一个大于零的数据,当β的值越大,该替代可导函数越接近阶跃函数。
虽然本发明已以较佳实施例公开如上,但它们并不是用来限定本发明的,任何熟习此技艺者,在不脱离本发明之精神和范围内,自当可作各种变化或润饰,因此本发明的保护范围应当以本申请的权利要求保护范围所界定的为准。
Claims (3)
1.基于市场效益驱动的光伏发电智能预测系统的计算方法,其中预测系统包括光伏数据收集模块,机器学习模型,误差计算模块,机组优化计算模块,电网成本模块组,光伏发电厂成本模块组,总成本模块以及权重更新模块;所述光伏数据收集模收集统计光伏发电厂中的历史光伏相关数据,输出光伏不同特征空间的数据;所述机器学习模型接收权重更新模块输出的权重数据以及光伏数据收集模块的光伏相关数据,并预测光伏发电厂的光伏时序发电数据,输出该光伏发电厂的时序数据;所述误差计算模块接收机器学习模型的光伏时序预测数据和光伏数据收集模块的光伏时序历史数据,输出平均偏移误差数据和偏移时序正误差数据;所述机组优化计算模块接收偏移时序正误差数据,获得机组优化结果,输出机组时序发电成本数据;所述电网成本模块组包括后备发电厂建设成本模块、购买其他能源成本模块、能源销售收入模块和购买太阳能成本模块;所述后备发电厂建设成本模块用于接收根据误差计算模块输出的偏移时序正误差数据计算出的备用电厂最大发电数据,输出备用电厂成本;所述购买其他能源成本模块为电网向其他发电站购买能源的能源价格,能源销售收入为电网向用电用户销售能源的收入;所述购买太阳能成本模块用于接收光伏时序历史数据,输出购买太阳能价格;所述光伏发电厂成本模块组包括预测不准确的额外成本模块和太阳能销售收入模块,其中,所述预测不准确的额外成本模块用于接收机组时序发电成本数据,输出该光伏发电厂预测不准确的额外成本;所述太阳能销售收入模块用于接收光伏时序历史数据,输出光伏发电厂的太阳能销售收入;所述总成本模块用于接收电网和光伏发电厂各成本数据,通过计算输出电网和光伏发电厂的总成本数据;权重更新模块用于接收总成本模块的成本数据和由时序输出数据与光伏时序历史数据计算获得的平均偏移误差数据,由此通过预定方法优化更新权重,输出更新后的权重数据;
其特征在于:所述根据误差计算模块输出的偏移时序正误差数据计算出的备用电厂最大发电数据的具体计算包括步骤11、步骤12:
步骤11:获取偏移时序正误差数据,由此计算最大偏移时序正误差数据,又因为Max()函数不可导,因此采用可导的函数近似,其表达式如下:
(1)式中,Q为偏移时序正误差数据的维度之积,L为一个较大的常数,Accq为第q个偏移时序正误差数据;
步骤12:计算备用电厂最大发电数据Max-data,其公式如下
Max_data=Max(Acc)-RES (2)
(2)式中,RES为电网已有的备用容量;
所述预测不准确的额外成本模块用于接收机组时序发电成本数据,输出该光伏发电厂预测不准确的额外成本EX_cost;具体计算公式如下式(3);
(3)式中,时序发电成本数据的维度为N行P列,EX_cost是预测不准确的额外成本模块的输出数据即额外成本;
所述权重更新模块通过预定方法优化更新权重的具体过程包括步骤21至步骤24:
步骤21:建立权重更新模块数学模型:
目标函数:
精度约束函数:
(4)、(5)式中,EX_cost为光伏发电厂预测不准确的额外成本;P_cost为电网的后备发电厂建设成本;O_cost为电网购买其他能源的成本,为一个常数;E_revenue为电网能源销售收入,为一个常数;α为后备发电厂建设成本在该目标函数下的权重系数,κ为不为零的常数,SCUC{Acc}为机组优化计算模块中的优化计算模对应的输出结果,RES为电网已有的备用容量,P_price为备用电厂建设单价,Accq为第q个偏移时序正误差数据,Acc为偏移时序误差数据,T为光伏时序历史数据,mean()函数计算所有输入数据的平均值,此平均值是该函数的输出,k为最小精度百分比;
步骤22:目标函数的梯度计算
步骤23:目标函数的黑塞矩阵计算
式(7)Hess为黑塞矩阵;
步骤24:第r+1次迭代时的参数更;
(8)式中,λI是保证Hess(r)+λI这一项为正,其维度与与黑塞矩阵一致;W(r)代表第r次迭代的权重值,r为迭代次数;
通过步骤21到步骤24,获得第r+1次迭代的权重W(r+1),并将更新的权重值传递到机器学习模型中。
2.根据权利要求1所述的基于市场效益驱动的光伏发电智能预测系统的计算方法,其特征在于:所述机组优化计算模块包括各能源机组数据模块、数学建模模块和优化计算模块;所述各能源机组数据模块包括火电厂、核电厂、水电厂中的一种或者多种不同能源的机组出力曲线以及出力范围,并将这些数据传递到数学建模模块中;数学建模模块用于接收各能源发电厂的机组数据和偏移时序正误差数据,各能源发电厂的机组数据包括各能源机组出力曲线和机组出力范围;通过输入数据和电网网架的线路潮流数据,建立机组优化模型的目标函数和网架约束函数,输出相应的数学模型;优化计算模块用于接收数学建模模块的机组优化数学模型,并求解该数学模型,输出机组时序发电成本数据;
所述数学建模模块通过输入数据和电网网架的线路潮流数据,建立机组优化模型的目标函数和网架约束函数,输出相应的数学模型具体方法为:各能源机组出力曲线采用分段成本函数近似,其机组优化数学模型如下:
约束函数:
(10)式中,约束(1)为功率平衡约束,约束(2)为潮流约束,约束(3)为机组发电约束;其中,Ci,t为第i台发电机t时刻的发电成本,Pi,j,t为第i台发电机第j天t时刻的发电量,Dj,t为第j天的t时刻的偏移时序正误差数据,PLmax为网架线路的最大潮流功率限制,SF为转移因子矩阵,KP为发电机关联矩阵,Pj,t为j天t时刻的机组矩阵,KD为负荷关联矩阵,Dj,t为第j天的t时刻的负荷矩阵,Pmin,Pmax为机组发电容量下限矩阵和上限矩阵;
所述优化计算模块接收数学建模模块的机组优化数学模型,并求解该数学模型,输出机组时序发电成本数据的具体计算过程包括步骤51至步骤56:
步骤51:建立约束方程组:
上式中,G(p)为不等约束转变的等式方程,h(p)为等式约束方程对应的方程;其中,
式(11)中,G1(p)、G2(p)、G3(p)、G4(p)依次为潮流上限约束、机组上限约束、潮流下限约束与机组下限约束;
步骤52:将式(11)中的4个不等约束转变成等式约束;具体包括以下步骤521至步骤524:
步骤521:对潮流上限约束进行转变:
式(111)中,A1为未知数Pj,t矩阵的系数矩阵,其维度为NL行NG列;B1为常数矩阵,其维度为NL行1列;
步骤522:对机组上限约束进行转变:
式(112)中,A2为未知数Pj,t矩阵的系数矩阵,其是单位矩阵,维度为NG行NG列;B2为常数矩阵,其维度为NG行1列;
步骤523:对潮流下限约束进行转换:
式(113)中,A3为未知数Pj,t矩阵的系数矩阵,其维度为NL行NG列;B3为常数矩阵,其维度为NL行1列;
步骤524:对机组下限约束进行转换:
式(114)中,A4为未知数Pj,t矩阵的系数矩阵,其是单位矩阵,维度为NG行NG列;B4为常数矩阵,其维度为NG行1列;
约束等式G(p)=0可用Ap=B表示,
步骤53:等式方程的提取
由于第j天t时刻的机组优化目标函数:有NG个发电机,即存在NG个未知数,因此需要NG个方程求解;又所有的方程组为其中该方程对应的是功率平衡约束方程,因此不等约束方程G(p)需要提取(NG-1)个方程;
建立提取约束的矩阵NKC,维度为n行m列,其中
建立规则:所述规则具体为:NKC矩阵每一行的和为(NG-1);且同一行中,第d列与d+(NL+NG)列的元素和不等于(NG-1);其目的是保证不同时选择同一潮流约束和机组约束的上下限;
步骤54:方程组的求解
提取方程组:
对G(pq)=0方程的求解:G(pq)=0可转化为L_A1,q×pq=L_BE1,q;
对h(p)=0方程的求解:h(p)=0可转化为L_A2×p=L_B2;
依次计算所有NKCq提取而得的对应方程组,得:
步骤55:从所有NKCq提取而得的对应方程组的所有解集:
表示该数学模型下,第j天t时刻的所有可能解集,机组组合最优解为
Objj,t=Min([obj1,obj2,...,objr,...,objR]);
但因Min()函数无法求导,因此采用近似的方法提取最小值;
又因解集矩阵中可能存在零元素,为方便右面的近似提取最小值的计算,
将所有元素都加上一个不为零的常数κ;
有objj,t=Obj+κ
其中,α为较大的整数;上式为Min()函数的近似可导替代函数;
步骤56:通过循环步骤51到步骤55,计算出以偏移时序正误差数据为输入负荷的所有最优解,因此优化计算模块输出机组时序发电成本数据如下式;
其中,N,P代表偏移时序正误差数据的维度有N天P个时刻,而机组时序发电成本数据的维度与偏移时序正误差数据的维度相同。
3.根据权利要求1所述的基于市场效益驱动的光伏发电智能预测系统的计算方法,其特征在于:所述误差计算模块接收机器学习模型中的光伏时序预测数据和光伏数据收集模块的光伏时序历史数据,通过比较计算获得平均偏移误差数据和偏移时序正误差数据;其中,平均偏移误差数据的计算包括步骤31、步骤32:
步骤31:获取机器模型中输出的光伏时序预测数据与光伏时序历史数据,并对其进行计算,公式如下:
Acc=Y-T (31)
(31)式中,Acc为偏移时序误差数据,Y为光伏时序预测数据,T为光伏时序历史数据;
步骤32:计算平均偏移误差数据,公式如下:
(32)式中,mean()函数计算所有输入数据的平均值,此平均值是该函数的输出;
所述偏移时序正误差数据的计算包括以下步骤:
步骤41:获取机器模型中输出的光伏时序预测数据与光伏时序历史数据,并对其进行计算,公式如下:
Acc=Y-T (41)
式(41)中,Acc为偏移时序误差数据,Y为光伏时序预测数据,T为光伏时序历史数据;
步骤42:采用阶跃函数选择偏移时序正误差数据,但由于阶跃函数不可导,因此需一个替代可导函数近似,当偏移时序误差数据为正值时,保留其值,反之修正为零;公式如下:
(42)式中ε(Acc)为偏移时序正误数据,β为一个大于零的数据,当β的值越大,该替代可导函数越接近阶跃函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010279996.XA CN111371091A (zh) | 2020-04-10 | 2020-04-10 | 基于市场效益驱动的光伏发电智能预测系统的计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010279996.XA CN111371091A (zh) | 2020-04-10 | 2020-04-10 | 基于市场效益驱动的光伏发电智能预测系统的计算方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111371091A true CN111371091A (zh) | 2020-07-03 |
Family
ID=71210784
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010279996.XA Withdrawn CN111371091A (zh) | 2020-04-10 | 2020-04-10 | 基于市场效益驱动的光伏发电智能预测系统的计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111371091A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112069634A (zh) * | 2020-08-14 | 2020-12-11 | 广东工业大学 | 一种基于放宽约束的气网扩容规划系统和方法 |
CN116128167A (zh) * | 2023-04-17 | 2023-05-16 | 江苏图南数字科技有限公司 | 一种基于云计算实时监测的分布式光伏发电分析方法 |
-
2020
- 2020-04-10 CN CN202010279996.XA patent/CN111371091A/zh not_active Withdrawn
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112069634A (zh) * | 2020-08-14 | 2020-12-11 | 广东工业大学 | 一种基于放宽约束的气网扩容规划系统和方法 |
CN116128167A (zh) * | 2023-04-17 | 2023-05-16 | 江苏图南数字科技有限公司 | 一种基于云计算实时监测的分布式光伏发电分析方法 |
CN116128167B (zh) * | 2023-04-17 | 2023-06-16 | 江苏图南数字科技有限公司 | 一种基于云计算实时监测的分布式光伏发电分析方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Shivam et al. | A multi-objective predictive energy management strategy for residential grid-connected PV-battery hybrid systems based on machine learning technique | |
Mellit et al. | Application of neural networks and genetic algorithms for sizing of photovoltaic systems | |
Guo et al. | Study on short-term photovoltaic power prediction model based on the Stacking ensemble learning | |
CN103489038A (zh) | 基于lm-bp神经网络的光伏超短期功率预测方法 | |
CN116187601B (zh) | 一种基于负荷预测的综合能源系统运行优化方法 | |
CN112381282B (zh) | 基于宽度学习系统的光伏发电功率预测方法 | |
Liu et al. | Heating load forecasting for combined heat and power plants via strand-based LSTM | |
CN114792156A (zh) | 基于曲线特征指标聚类的光伏输出功率预测方法和系统 | |
CN115986728A (zh) | 一种计及不确定性因素的电网态势预测方法与终端 | |
CN111371091A (zh) | 基于市场效益驱动的光伏发电智能预测系统的计算方法 | |
CN111404193B (zh) | 一种基于数据驱动的微电网随机鲁棒优化调度方法 | |
CN115829126A (zh) | 基于多视角自适应特征融合的光伏发电功率预测方法 | |
Dou et al. | Elman neural network based short-term photovoltaic power forecasting using association rules and kernel principal component analysis | |
CN113469412A (zh) | 一种综合能源系统实时运行策略优化方法及系统 | |
CN112836849A (zh) | 一种考虑风电不确定性的虚拟电厂调度方法 | |
CN116341613A (zh) | 一种基于Informer encoder和LSTM的超短期光伏功率预测方法 | |
CN117578409A (zh) | 一种电力市场环境下的多能互补优化调度方法及系统 | |
CN115765044B (zh) | 风光水电系统联合运行及风险分析方法和系统 | |
CN115860788A (zh) | 含柔性电热负荷综合能源系统日前随机优化方法及系统 | |
CN115270640A (zh) | 微电网分布式光伏发电系统配置优化方法及终端设备 | |
CN111401628B (zh) | 一种基于市场效益驱动的光伏发电智能预测系统 | |
Zhao et al. | Multi-step depth model predictive control for photovoltaic maximum power point tracking under partial shading conditions | |
Hamilton et al. | Integrating concentrating solar power technologies into the hybrid optimization and performance platform (HOPP) | |
CN115329487A (zh) | 一种光伏发电系统参数整定方法和终端设备 | |
CN109347434B (zh) | 一种计及老化时光伏发电功率的方法 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20200703 |
|
WW01 | Invention patent application withdrawn after publication |