CN111401628B - 一种基于市场效益驱动的光伏发电智能预测系统 - Google Patents
一种基于市场效益驱动的光伏发电智能预测系统 Download PDFInfo
- Publication number
- CN111401628B CN111401628B CN202010172953.1A CN202010172953A CN111401628B CN 111401628 B CN111401628 B CN 111401628B CN 202010172953 A CN202010172953 A CN 202010172953A CN 111401628 B CN111401628 B CN 111401628B
- Authority
- CN
- China
- Prior art keywords
- cost
- data
- module
- photovoltaic
- power generation
- 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
- 238000010248 power generation Methods 0.000 title claims abstract description 143
- 230000008901 benefit Effects 0.000 title claims abstract description 21
- 238000010276 construction Methods 0.000 claims abstract description 37
- 238000000034 method Methods 0.000 claims abstract description 35
- 238000010801 machine learning Methods 0.000 claims abstract description 33
- 238000005457 optimization Methods 0.000 claims abstract description 33
- 238000013480 data collection Methods 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 78
- 238000012545 processing Methods 0.000 claims description 21
- 238000013178 mathematical model Methods 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 6
- 238000006467 substitution reaction Methods 0.000 claims description 5
- 230000007787 long-term memory Effects 0.000 claims description 4
- 230000006403 short-term memory Effects 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 230000009194 climbing Effects 0.000 claims description 3
- 125000004122 cyclic group Chemical group 0.000 claims description 3
- 230000000630 rising effect Effects 0.000 claims description 3
- 238000013459 approach Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Images
Classifications
-
- 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"
-
- 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
-
- 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
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明具体涉及一种基于市场效益驱动的光伏发电智能预测系统,包括:光伏数据收集模块,机器学习模型,机组优化模块,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。其中,电网成本模块组有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;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。不仅通过机器学习模型预测光伏时序发电数据,同时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,由此实现了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
本发明涉及电力系统技术领域,具体涉及一种基于市场效益驱动的光伏发电智能预测系统。
背景技术
截止至2018年末,我国光伏累计装机容量达到1.7亿千万,稳居世界第一位。在缓解能源紧张、改善环境等方面,光伏发电起到了重要作用。伴随着越来越密集的分布式光伏电站并网发电,需要对光伏发电站发电量进行预测。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。
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。因此需要一种系统不仅能够对光伏发电实现预测还能够同时实现市场效益的预测。
发明内容
1.所要解决的技术问题:
针对上述技术问题,本发明提供一种基于市场效益驱动的光伏发电智能预测系统,能够考虑光伏预测发电量和市场效益之间的相互影响,实现分析过程的闭环。
2.技术方案:
一种基于市场效益驱动的光伏发电智能预测系统,其特征在于:包括光伏数据收集模块,机器学习模型,数据处理模块,机组优化模块,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块与对应的光伏发电厂相连收集统计对应光伏发电厂中的历史光伏数据,并将光伏数据打包传递到机器学习模型中;所述光伏数据包括紫外线强度数据、温度数据、不同特征空间的历史光伏时序发电数据集。
所述机器学习模型用于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输出的光伏数据,将权重数据与光伏数据带入机器学习模型,输出该光伏发电厂的光伏时序预测发电数据;所述机器学习模型为前馈神经网络、循环神经网络以及长短期记忆神经网络中的一种。
数据处理模块接收来自机器学习模块输出的光伏时序预测发电数据与光伏数据收集模块输出的光伏时序历史数据,进而计算出偏移时序误差数据;根据偏移时序误差数据计算出平均偏移误差数据与偏移时序正误差数据;所述平均偏移误差数据输出至权重更新模块;所述偏移时序正误差数据输出至机组优化模块。
所述机组优化模块接收数据处理模块输出的偏移时序正误差数据,并通过预设的优化方法获得并联输出机组优化结果;所述机组优化结果包括为对应其他能源发电厂的时序发电数据以及光伏时序预测发电数据的最大发电数据;其中最大发电数据输出至电网成本模块组,输出时序发电数据至光伏发电厂成本模块组。
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;后备发电厂建设成本模块用于接收最大发电数据,并计算电网建设一个满足最大发电量的备用发电厂的成本,输出备用电厂成本价格;购买太阳能成本模块用于接收光伏时序历史数据,并计算电网从光伏发电厂购买太阳能的成本,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,预测不准确的额外成本模块用于接收时序发电数据,并由此计算该光伏发电厂支付此时序发电数据的额外成本;太阳能销售收入模块用于接收光伏时序历史数据,并计算光伏发电厂将太阳能销售给电网所获得的收入。
所述总成本模块用于接收电网成本模块与光伏发电厂成本模块并输出电网和光伏发电厂的总成本数据;电网的成本数据包括备用电厂成本价格、购买其他能源成本、能源销售收入和购买太阳能成本;光伏发电厂的成本数据包括预测不准确的额外成本以及太阳能销售收入;并由此计算该网架的总成本,输出电网和光伏发电厂的总成本数据。
所述权重更新模块用于接收总成本模块的成本数据以及数据处理模块输出的平均偏移误差数据,后优化更新权重,输出更新后的权重数据至机器学习模块。
进一步地,所述数据处理模块得到偏移时序正误差数据的具体计算过程包括以下步骤:
S11:获取机器模型中输出的光伏时序预测发电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 (9)
(9)式中,Acc为偏移时序误差数据,Y为时序输出数据,T为光伏时序历史数据。
S12:采用阶跃函数选择偏移时序正误差数据;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:
(10)式中,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。
进一步地,所述机组优化模块接收数据处理模块输出的偏移时序正误差数据,并通过预设的优化方法获得并联输出机组优化结果;其中预设的优化方法具体包括以下步骤:
S41:将S12获取的偏移时序正误差数据作为市场的负荷数据Dt,并建立机组优化模块的数学模型,计算出机组优化结果;所述机组优化模块的数学模型如下:
约束:
其中,目标函数是在发电机组报价的基础上将运营成本最小化;机组优化数学模型的约束包括机组约束和传输网络完全约束,其中,约束(1)是系统功率平衡约束,约束(2)是实际发电机发电容量约束,约束(3)是发电机组功率爬升约束,约束(4)是发电机组功率下降约束,约束(5)是节点功率平衡约束,约束(6)是潮流方程约束,约束(7)是潮流约束。
其中:NG为发电厂数量,NT为小时数,Fi(Pit)为第i个发电厂的成本函数在t时刻的发电成本,Pit为第i个发电厂t时刻的发电功率,Iit为第i个发电厂t时刻的启停状态,SUit和SDit为第i个发电厂t小时的机组启停成本,Dt为t时刻的偏移时序正误差数据,Losst为t时刻的网架损耗量,URi为第i个发电厂任意两时刻间的功率上升斜率,UPi为第i个发电厂初始时刻的功率上升斜率,DRi为第i个发电厂任意两时刻间的功率下降斜率,DPi为第i个发电厂初始时刻的功率下降斜率,KP为发电厂机组关联矩阵,KD为偏移时序误差数据关联矩阵,Dit为i节点下t小时的偏移时序正误差数据,B为节点电纳矩阵,θ为电压相角,xb为阻抗矩阵,KL为线路关联矩阵,PLt为t时刻网络潮流,PLmin,PLmax为网络潮流的最小值和最大值。
S43:通过分支定界法或者拉格朗日松弛法求解步骤S42的数学模型,即可获得机组优化结果,机组优化结果为其他能源发电厂的时序发电数据时序中标发电数据,并输出优化结果数据。
进一步地,所述机组优化模块接收数据处理模块输出的偏移时序正误差数据,并通过预设的方法获得并联输出机组优化结果的具体计算过程为:
S21:获取机组优化模块的其他能源发电厂时序发电数据,通过加法运算获得所有发电厂之和的时序发电数据,即总时序发电数据。
S22:将总时序发电数据减去参与机组优化模块的电网备用容量,并求其最大值,最大发电数据表达式为:
Max_data=Max(Pt-RESt) (11)
式(11)中,Pt为第t时刻所有发电机发电量之和,RESt为第t时刻电网备用容量。
步骤23:由于Max()函数不可导,因此将Max()函数用以下替代函数表示:
式(12)中,Ert为总时序发电数据与电网备用容量之差,Q为总时序发电数据的时序维度之积。
进一步地,后备发电厂建设成本模块接收机组优化模块中输出的最大发电数据;如果电网已有的备用容量满足最大总时序发电数据时,则输出备用电厂成本为零;如果电网已有的备用容量无法满足最大总时序发电数据时,则建设一个满足最大发电量的新备用发电厂的所需成本,输出备用电厂建设成本,其步骤如下:
S31:后备发电厂模块接收最大发电数据,并用阶跃函数选择最大发电数据的正负性,当最大发电数据为正值时,数据大小不变,反之最大发电数据修正为零;由于阶跃函数不可导,因此由以下替代可导函数近似获得最大发电数据的修正值,公式如下:
(13)式中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。
S32:计算备用发电厂建设成本,公式如下:
P_cost=ε(Max_data)·P_price (14)
式(14)中,P_cost为电网的后备发电厂建设成本,P_price为备用电厂建设单价。
S33:输出备用发电厂建设成本。
进一步地,所述光伏发电厂的预测不准确的额外成本模块接收由机组优化模块中输出的时序发电数据,并计算该光伏发电厂因光伏时序预测发电数据不准确而产生的额外成本,其具体计算公式如下:
EX_cost=sum(Fi(Pit)) (15)
(15)式中,Fi(Pit)为第i个其他能源发电厂的成本函数在t时刻的发电成本,sum()函数对所有输入数据进行求和,此求和值是该函数的输出,也是预测不准确的额外成本模块的输出数据。
进一步地,总成本模块用于接收后备发电厂建设成本、电网购买其他能源成本、电网能源销售收入、电网购买太阳能成本、光伏发电厂预测不准确的额外成本和光伏发电厂太阳能销售收入;其中,总成本公式如下:
T_cost=EX_cost+P_cost+O_cost-E-revenue (16)
(16)式中,T_cost为总成本,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,E_revenue为电网能源销售收入。
进一步地,权重更新模块用于接收总成本模块中的总成本数据和由光伏时序预测发电数据与光伏时序历史数据计算而得的平均偏移误差数据,并将总成本公式作为权重更新模块的目标函数,将计算平均偏移误差的公式作为权重更新模块的精度约束函数,权重更新模块的数学模型如下:
目标函数:
Minobj=EX_cost+αP_cost+O_cost-E_revenue (15)
精度约束函数:
其中,EX_cost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,E_revenue为电网能源销售收入,α为后备发电厂建设成本在该目标函数下的权重系数,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,也是平均偏移误差数据。
3.有益效果:
本发明提供的光伏发电模型通过机器学习模型利用光伏数据收集模块预测出光伏时序输出数据,并由此数据与光伏历史数据进行一定的计算,获得偏移时序误差数据,时序误差正数据通过机组优化模块得到最大发电数据和时序发电数据,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,通过优化方法,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为本发明的系统示意图。
具体实施方式
下面结合附图对本发明进行具体的说明。
如附图1所示,一种基于市场效益驱动的光伏发电智能预测系统,其特征在于:包括光伏数据收集模块,机器学习模型,数据处理模块,机组优化模块,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块与对应的光伏发电厂相连收集统计对应光伏发电厂中的历史光伏数据,并将光伏数据打包传递到机器学习模型中;所述光伏数据包括紫外线强度数据、温度数据、不同特征空间的历史光伏时序发电数据集。
所述机器学习模型用于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输出的光伏数据,将权重数据与光伏数据带入机器学习模型,输出该光伏发电厂的光伏时序预测发电数据;所述机器学习模型为前馈神经网络、循环神经网络以及长短期记忆神经网络中的一种。
数据处理模块接收来自机器学习模块输出的光伏时序预测发电数据与光伏数据收集模块输出的光伏时序历史数据,进而计算出偏移时序误差数据;根据偏移时序误差数据计算出平均偏移误差数据与偏移时序正误差数据;所述平均偏移误差数据输出至权重更新模块;所述偏移时序正误差数据输出至机组优化模块。
所述机组优化模块接收数据处理模块输出的偏移时序正误差数据,并通过预设的优化方法获得并联输出机组优化结果;所述机组优化结果包括为对应其他能源发电厂的时序发电数据以及光伏时序预测发电数据的最大发电数据;其中最大发电数据输出至电网成本模块组,输出时序发电数据至光伏发电厂成本模块组。
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;后备发电厂建设成本模块用于接收最大发电数据,并计算电网建设一个满足最大发电量的备用发电厂的成本,输出备用电厂成本价格;购买太阳能成本模块用于接收光伏时序历史数据,并计算电网从光伏发电厂购买太阳能的成本,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,预测不准确的额外成本模块用于接收时序发电数据,并由此计算该光伏发电厂支付此时序发电数据的额外成本;太阳能销售收入模块用于接收光伏时序历史数据,并计算光伏发电厂将太阳能销售给电网所获得的收入。
所述总成本模块用于接收电网成本模块与光伏发电厂成本模块并输出电网和光伏发电厂的总成本数据;电网的成本数据包括备用电厂成本价格、购买其他能源成本、能源销售收入和购买太阳能成本;光伏发电厂的成本数据包括预测不准确的额外成本以及太阳能销售收入;并由此计算该网架的总成本,输出电网和光伏发电厂的总成本数据。
所述权重更新模块用于接收总成本模块的成本数据以及数据处理模块输出的平均偏移误差数据,后优化更新权重,输出更新后的权重数据至机器学习模块。
进一步地,所述数据处理模块得到偏移时序正误差数据的具体计算过程包括以下步骤:
S11:获取机器模型中输出的光伏时序预测发电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 (9)
(9)式中,Acc为偏移时序误差数据,Y为时序输出数据,T为光伏时序历史数据。
S12:采用阶跃函数选择偏移时序正误差数据;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:
(10)式中,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。
进一步地,所述机组优化模块接收数据处理模块输出的偏移时序正误差数据,并通过预设的优化方法获得并联输出机组优化结果;其中预设的优化方法具体包括以下步骤:
S41:将S12获取的偏移时序正误差数据作为市场的负荷数据Dt,并建立机组优化模块的数学模型,计算出机组优化结果;所述机组优化模块的数学模型如下:
约束:
其中,目标函数是在发电机组报价的基础上将运营成本最小化;机组优化数学模型的约束包括机组约束和传输网络完全约束,其中,约束(1)是系统功率平衡约束,约束(2)是实际发电机发电容量约束,约束(3)是发电机组功率爬升约束,约束(4)是发电机组功率下降约束,约束(5)是节点功率平衡约束,约束(6)是潮流方程约束,约束(7)是潮流约束。
其中:NG为发电厂数量,NT为小时数,Fi(Pit)为第i个发电厂的成本函数在t时刻的发电成本,Pit为第i个发电厂t时刻的发电功率,Iit为第i个发电厂t时刻的启停状态,SUit和SDit为第i个发电厂t小时的机组启停成本,Dt为t时刻的偏移时序正误差数据,Losst为t时刻的网架损耗量,URi为第i个发电厂任意两时刻间的功率上升斜率,UPi为第i个发电厂初始时刻的功率上升斜率,DRi为第i个发电厂任意两时刻间的功率下降斜率,DPi为第i个发电厂初始时刻的功率下降斜率,KP为发电厂机组关联矩阵,KD为偏移时序误差数据关联矩阵,Dit为i节点下t小时的偏移时序正误差数据,B为节点电纳矩阵,θ为电压相角,xb为阻抗矩阵,KL为线路关联矩阵,PLt为t时刻网络潮流,PLmin,PLmax为网络潮流的最小值和最大值。
S43:通过分支定界法或者拉格朗日松弛法求解步骤S42的数学模型,即可获得机组优化结果,机组优化结果为其他能源发电厂的时序发电数据时序中标发电数据,并输出优化结果数据。
进一步地,所述机组优化模块接收数据处理模块输出的偏移时序正误差数据,并通过预设的方法获得并联输出机组优化结果的具体计算过程为:
S21:获取机组优化模块的其他能源发电厂时序发电数据,通过加法运算获得所有发电厂之和的时序发电数据,即总时序发电数据。
S22:将总时序发电数据减去参与机组优化模块的电网备用容量,并求其最大值,最大发电数据表达式为:
Max_data=Max(Pt-RESt) (11)
式(11)中,Pt为第t时刻所有发电机发电量之和,RESt为第t时刻电网备用容量。
步骤23:由于Max()函数不可导,因此将Max()函数用以下替代函数表示:
式(12)中,Ert为总时序发电数据与电网备用容量之差,Q为总时序发电数据的时序维度之积。
进一步地,后备发电厂建设成本模块接收机组优化模块中输出的最大发电数据;如果电网已有的备用容量满足最大总时序发电数据时,则输出备用电厂成本为零;如果电网已有的备用容量无法满足最大总时序发电数据时,则建设一个满足最大发电量的新备用发电厂的所需成本,输出备用电厂建设成本,其步骤如下:
S31:后备发电厂模块接收最大发电数据,并用阶跃函数选择最大发电数据的正负性,当最大发电数据为正值时,数据大小不变,反之最大发电数据修正为零;由于阶跃函数不可导,因此由以下替代可导函数近似获得最大发电数据的修正值,公式如下:
(13)式中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。
S32:计算备用发电厂建设成本,公式如下:
P_cost=ε(Max_data)·P_price (14)
式(14)中,P_cost为电网的后备发电厂建设成本,P_price为备用电厂建设单价。
S33:输出备用发电厂建设成本。
进一步地,所述光伏发电厂的预测不准确的额外成本模块接收由机组优化模块中输出的时序发电数据,并计算该光伏发电厂因光伏时序预测发电数据不准确而产生的额外成本,其具体计算公式如下:
EX_cost=sum(Fi(Pit)) (15)
(15)式中,Fi(Pit)为第i个其他能源发电厂的成本函数在t时刻的发电成本,sum()函数对所有输入数据进行求和,此求和值是该函数的输出,也是预测不准确的额外成本模块的输出数据。
进一步地,总成本模块用于接收后备发电厂建设成本、电网购买其他能源成本、电网能源销售收入、电网购买太阳能成本、光伏发电厂预测不准确的额外成本和光伏发电厂太阳能销售收入;其中,总成本公式如下:
T_cost=EX_cost+P_cost+O_cost-E_revenue (16)
(16)式中,T_cost为总成本,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,E_revenue为电网能源销售收入。
进一步地,权重更新模块用于接收总成本模块中的总成本数据和由光伏时序预测发电数据与光伏时序历史数据计算而得的平均偏移误差数据,并将总成本公式作为权重更新模块的目标函数,将计算平均偏移误差的公式作为权重更新模块的精度约束函数,权重更新模块的数学模型如下:
目标函数:
Min obj=EX_cost+αP_cost+O_cost-E_revenue (15)
精度约束函数:
其中,EX_cost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,E_revenue为电网能源销售收入,α为后备发电厂建设成本在该目标函数下的权重系数,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,也是平均偏移误差数据。
由此可见,本发明提供的光伏发电智能预测系统,不仅通过机器学习模型预测光伏时序发电数据,同时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,由此实现了光伏发电站在机器学习模型中所预测的时序数据对市场效益更大化。
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 (7)
1.一种基于市场效益驱动的光伏发电智能预测系统,其特征在于:包括光伏数据收集模块,机器学习模型,数据处理模块,机组优化模块,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块与对应的光伏发电厂相连收集统计对应光伏发电厂中的历史光伏数据,并将光伏数据打包传递到机器学习模型中;所述光伏数据包括紫外线强度数据、温度数据、不同特征空间的历史光伏时序发电数据集;
所述机器学习模型用于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输出的光伏数据,将权重数据与光伏数据带入机器学习模型,输出该光伏发电厂的光伏时序预测发电数据;所述机器学习模型为前馈神经网络、循环神经网络以及长短期记忆神经网络中的一种;
数据处理模块接收来自机器学习模块输出的光伏时序预测发电数据与光伏数据收集模块输出的光伏时序历史数据,进而计算出偏移时序误差数据;根据偏移时序误差数据计算出平均偏移误差数据与偏移时序正误差数据;所述平均偏移误差数据输出至权重更新模块;所述偏移时序正误差数据输出至机组优化模块;
所述机组优化模块接收数据处理模块输出的偏移时序正误差数据,并通过预设的优化方法获得并联输出机组优化结果;所述机组优化结果包括对应其他能源发电厂的时序发电数据以及光伏时序预测发电数据的最大发电数据;其中最大发电数据输出至电网成本模块组,输出时序发电数据至光伏发电厂成本模块组;
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;后备发电厂建设成本模块用于接收最大发电数据,并计算电网建设一个满足最大发电量的备用发电厂的成本,输出备用电厂成本价格;购买太阳能成本模块用于接收光伏时序历史数据,并计算电网从光伏发电厂购买太阳能的成本,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,预测不准确的额外成本模块用于接收时序发电数据,并由此计算该光伏发电厂支付此时序发电数据的额外成本;太阳能销售收入模块用于接收光伏时序历史数据,并计算光伏发电厂将太阳能销售给电网所获得的收入;
所述总成本模块用于接收电网成本模块与光伏发电厂成本模块并输出电网和光伏发电厂的总成本数据;电网的成本数据包括备用电厂成本价格、购买其他能源成本、能源销售收入和购买太阳能成本;光伏发电厂的成本数据包括预测不准确的额外成本以及太阳能销售收入;并由此计算网架的总成本,输出电网和光伏发电厂的总成本数据;
所述权重更新模块用于接收总成本模块的成本数据以及数据处理模块输出的平均偏移误差数据,后优化更新权重,输出更新后的权重数据至机器学习模块;
所述数据处理模块得到偏移时序正误差数据的具体计算过程包括以下步骤:
S11:获取机器模型中输出的光伏时序预测发电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 (9)
(9)式中,Acc为偏移时序误差数据,Y为时序输出数据,T为光伏时序历史数据;
S12:采用阶跃函数选择偏移时序正误差数据;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:
(10)式中,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。
2.根据权利要求1所述的一种基于市场效益驱动的光伏发电智能预测系统,其特征在于:所述机组优化模块接收数据处理模块输出的偏移时序正误差数据,并通过预设的优化方法获得并联输出机组优化结果;其中预设的优化方法具体包括以下步骤:
S41:将S12获取的偏移时序正误差数据作为市场的负荷数据Dt,并建立机组优化模块的数学模型,计算出机组优化结果;所述机组优化模块的数学模型如下:
约束:
其中,目标函数是在发电机组报价的基础上将运营成本最小化;机组优化数学模型的约束包括机组约束和传输网络完全约束,其中,约束(1)是系统功率平衡约束,约束(2)是实际发电机发电容量约束,约束(3)是发电机组功率爬升约束,约束(4)是发电机组功率下降约束,约束(5)是节点功率平衡约束,约束(6)是潮流方程约束,约束(7)是潮流约束;
其中:NG为发电厂数量,NT为小时数,Fi(Pit)为第i个发电厂的成本函数在t时刻的发电成本,Pit为第i个发电厂t时刻的发电功率,Iit为第i个发电厂t时刻的启停状态,SUit和SDit为第i个发电厂t小时的机组启停成本,Dt为t时刻的偏移时序正误差数据,Losst为t时刻的网架损耗量,URi为第i个发电厂任意两时刻间的功率上升斜率,UPi为第i个发电厂初始时刻的功率上升斜率,DRi为第i个发电厂任意两时刻间的功率下降斜率,DPi为第i个发电厂初始时刻的功率下降斜率,KP为发电厂机组关联矩阵,KD为偏移时序误差数据关联矩阵,Dit为i节点下t小时的偏移时序正误差数据,B为节点电纳矩阵,θ为电压相角,xb为阻抗矩阵,KL为线路关联矩阵,PLt为t时刻网络潮流,PLmin,PLmax为网络潮流的最小值和最大值;
S43:通过分支定界法或者拉格朗日松弛法求解步骤S42的数学模型,即可获得机组优化结果,机组优化结果为其他能源发电厂的时序发电数据时序中标发电数据,并输出优化结果数据。
3.根据权利要求2所述的一种基于市场效益驱动的光伏发电智能预测系统,其特征在于:所述机组优化模块接收数据处理模块输出的偏移时序正误差数据,并通过预设的方法获得并联输出机组优化结果的具体计算过程为:
S21:获取机组优化模块的其他能源发电厂时序发电数据,通过加法运算获得所有发电厂之和的时序发电数据,即总时序发电数据;
S22:将总时序发电数据减去参与机组优化模块的电网备用容量,并求其最大值,最大发电数据表达式为:
Max_data=Max(Pt-RESt) (11)
式(11)中,Pt为第t时刻所有发电机发电量之和,RESt为第t时刻电网备用容量;
步骤23:由于Max()函数不可导,因此将Max()函数用以下替代函数表示:
式(12)中,Ert为总时序发电数据与电网备用容量之差,Q为总时序发电数据的时序维度之积。
4.根据权利要求3所述的一种基于市场效益驱动的光伏发电智能预测系统,其特征在于:后备发电厂建设成本模块接收机组优化模块中输出的最大发电数据;如果电网已有的备用容量满足最大总时序发电数据时,则输出备用电厂成本为零;如果电网已有的备用容量无法满足最大总时序发电数据时,则建设一个满足最大发电量的新备用发电厂的所需成本,输出备用电厂建设成本,其步骤如下:
S31:后备发电厂模块接收最大发电数据,并用阶跃函数选择最大发电数据的正负性,当最大发电数据为正值时,数据大小不变,反之最大发电数据修正为零;由于阶跃函数不可导,因此由以下替代可导函数近似获得最大发电数据的修正值,公式如下:
(13)式中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;
S32:计算备用发电厂建设成本,公式如下:
P_cost=ε(Max_data)·P_price (14)
式(14)中,P_cost为电网的后备发电厂建设成本,P_price为备用电厂建设单价;
S33:输出备用发电厂建设成本。
5.根据权利要求4所述的一种基于市场效益驱动的光伏发电智能预测系统,其特征在于:所述光伏发电厂的预测不准确的额外成本模块接收由机组优化模块中输出的时序发电数据,并计算该光伏发电厂因光伏时序预测发电数据不准确而产生的额外成本,其具体计算公式如下:
EX_cost=sum(Fi(Pit)) (15)
(15)式中,Fi(Pit)为第i个其他能源发电厂的成本函数在t时刻的发电成本,sum( )函数对所有输入数据进行求和,此求和值是该函数的输出,也是预测不准确的额外成本模块的输出数据。
6.根据权利要求5所述的一种基于市场效益驱动的光伏发电智能预测系统,其特征在于:总成本模块用于接收后备发电厂建设成本、电网购买其他能源成本、电网能源销售收入、电网购买太阳能成本、光伏发电厂预测不准确的额外成本和光伏发电厂太阳能销售收入;其中,总成本公式如下:
T_cost=EX_cost+P_cost+O_cost-E_revenue (16)
(16)式中,T_cost为总成本,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,E_revenue为电网能源销售收入。
7.根据权利要求6所述的一种基于市场效益驱动的光伏发电智能预测系统,其特征在于:权重更新模块用于接收总成本模块中的总成本数据和由光伏时序预测发电数据与光伏时序历史数据计算而得的平均偏移误差数据,并将总成本公式作为权重更新模块的目标函数,将计算平均偏移误差的公式作为权重更新模块的精度约束函数,权重更新模块的数学模型如下:
目标函数:
Min obj=EX_cost+αP_cost+O_cost-E_revenue (15)
精度约束函数:
其中,EX_cost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,E_revenue为电网能源销售收入,α为后备发电厂建设成本在该目标函数下的权重系数,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,也是平均偏移误差数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010172953.1A CN111401628B (zh) | 2020-03-13 | 2020-03-13 | 一种基于市场效益驱动的光伏发电智能预测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010172953.1A CN111401628B (zh) | 2020-03-13 | 2020-03-13 | 一种基于市场效益驱动的光伏发电智能预测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111401628A CN111401628A (zh) | 2020-07-10 |
CN111401628B true CN111401628B (zh) | 2023-06-02 |
Family
ID=71430768
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010172953.1A Active CN111401628B (zh) | 2020-03-13 | 2020-03-13 | 一种基于市场效益驱动的光伏发电智能预测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111401628B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112069634B (zh) * | 2020-08-14 | 2022-08-09 | 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 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107590607A (zh) * | 2017-09-19 | 2018-01-16 | 合肥工业大学 | 一种基于光伏预测的微电网优化调度系统和方法 |
CN110619428A (zh) * | 2019-08-30 | 2019-12-27 | 广东工业大学 | 一种智能体辅助独立发电商参与市场竞标的调度优化系统 |
-
2020
- 2020-03-13 CN CN202010172953.1A patent/CN111401628B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107590607A (zh) * | 2017-09-19 | 2018-01-16 | 合肥工业大学 | 一种基于光伏预测的微电网优化调度系统和方法 |
CN110619428A (zh) * | 2019-08-30 | 2019-12-27 | 广东工业大学 | 一种智能体辅助独立发电商参与市场竞标的调度优化系统 |
Non-Patent Citations (1)
Title |
---|
A Novel Spinning Reserve Decision-Making Model for Power System with Considering Prediction Accuracy;汤瑞欣;《2019 Scientific Conference on Network, Power Systems and Computing (NPSC 2019)》;20191209;67-72 * |
Also Published As
Publication number | Publication date |
---|---|
CN111401628A (zh) | 2020-07-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Storage aided system property enhancing and hybrid robust smoothing for large-scale PV systems | |
KR101597993B1 (ko) | 에너지 저장 장치 | |
CA3030490A1 (en) | Intelligent energy management system for distributed energy resources and energy storage systems using machine learning | |
Eltamaly et al. | Novel fuzzy-swarm optimization for sizing of hybrid energy systems applying smart grid concepts | |
US20220376499A1 (en) | System and method for load and source forecasting for increasing electrical grid component longevity | |
CN105207573A (zh) | 基于离散概率模型的风光互补供电系统定量优化配置方法 | |
EP4071957A1 (en) | Method and apparatus for controlling power supply system, and system | |
CN112836849A (zh) | 一种考虑风电不确定性的虚拟电厂调度方法 | |
CN115169723A (zh) | 发电功率预测方法、负荷预测方法及模型训练方法 | |
CN116742678A (zh) | 主从控架构的综合能源能量管理系统及预测控制方法 | |
CN111401628B (zh) | 一种基于市场效益驱动的光伏发电智能预测系统 | |
CN115423153A (zh) | 基于概率预测的光伏储能系统能量管理方法 | |
Li et al. | Two-stage stochastic programming based model predictive control strategy for microgrid energy management under uncertainties | |
CN111932025B (zh) | 考虑光伏随机性的综合能源系统建设多阶段规划方法 | |
Tungadio et al. | Energy flow estimation-control of two interconnected microgrids | |
CN111898801B (zh) | 一种用于配置多能互补供电系统的方法及系统 | |
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 | |
CN112989279A (zh) | 含风电的电热联合系统的调度方法及装置 | |
KR102471609B1 (ko) | 전력발전량 예측시스템 | |
KR20210026665A (ko) | 서버 | |
Pathan et al. | Data forecasting and storage sizing for PV battery system using fuzzy Markov chain model | |
Liu et al. | Micro grid energy management based on two-stage robust optimization | |
CN113496298A (zh) | 一种综合能源系统的优化方法、装置和电子设备 | |
KR102472630B1 (ko) | 전력발전량 관리시스템 | |
CN117236638B (zh) | 基于多模态网络的运河微电网分布式能量管理系统 |
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 |