CN111709555B - 一种分布式电源优化配置的方法及系统 - Google Patents
一种分布式电源优化配置的方法及系统 Download PDFInfo
- Publication number
- CN111709555B CN111709555B CN202010440019.3A CN202010440019A CN111709555B CN 111709555 B CN111709555 B CN 111709555B CN 202010440019 A CN202010440019 A CN 202010440019A CN 111709555 B CN111709555 B CN 111709555B
- Authority
- CN
- China
- Prior art keywords
- distributed power
- model
- power supply
- wind
- scene
- 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
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000005457 optimization Methods 0.000 claims abstract description 51
- 238000009826 distribution Methods 0.000 claims abstract description 42
- 239000000203 mixture Substances 0.000 claims abstract description 35
- 230000003042 antagnostic effect Effects 0.000 claims abstract description 3
- 238000005516 engineering process Methods 0.000 claims description 16
- 238000010248 power generation Methods 0.000 claims description 15
- 238000005070 sampling Methods 0.000 claims description 10
- 238000012795 verification Methods 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 6
- 230000005611 electricity Effects 0.000 claims description 6
- 238000012423 maintenance Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 239000000126 substance Substances 0.000 claims description 4
- 230000002068 genetic effect Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 description 30
- 238000009434 installation Methods 0.000 description 9
- 238000012549 training Methods 0.000 description 9
- 239000002245 particle Substances 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000013256 Gubra-Amylin NASH model Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000005315 distribution function Methods 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000009827 uniform distribution Methods 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"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
-
- 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
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Biology (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Probability & Statistics with Applications (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Genetics & Genomics (AREA)
- Public Health (AREA)
- Physiology (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种分布式电源优化配置的方法及系统,其中所述方法包括:基于条件深度卷积生成对抗网络模型对分布式电源出力的不确定性进行建模,并在所述模型中加入月份标签信息来生成风光出力场景;基于高斯混合模型确定所述月份标签信息所对应的风光出力的上限和下限,并生成分布式电源极限场景;根据所述分布式电源极限场景建立分布式电源双层优化配置的模型,并对所述模型进行求解;基于IEEE33节点系统对所述分布式电源双层优化配置的模型进行验证和分析。在本发明实施中,提升分布式电源的接入容量,有效降低社会总成本,提高配电网运行的经济性。
Description
技术领域
本发明涉及电源优化的技术领域,尤其涉及一种分布式电源优化配置的方法及系统。
背景技术
随着传统化石能源等资源的不断消耗,能源危机与环境污染问题逐渐严重,开发清洁和可持续利用的能源成为了世界各国能源发展的重要战略。大自然中的风力和太阳能资源丰富,且可以持续获取,对形成全球新的能源发展格局提供了有效的支撑。然而,风电和光伏发电出力的随机性与波动特性也给配电网的规划运行带来了较大挑战,成为分布式发电技术在配电网中大力发展的主要障碍。亟需对分布式电源出力的不确定性进行建模,以提升含分布式电源的配电网规划的效益与实用性。
目前对分布式发电技术出力的不确定性进行建模主要有传统的概率建模方法、鲁棒优化方法、场景生成技术;而传统的概率建模方法需要准确描述不确定性因素,而实际工程仅能获取一部分统计信息,很难获取精准的概率分布且该方法忽略了分布式电源出力的时序特性;鲁棒优化方法存在过于保守的劣势,不能很好地平衡规划方案的经济性与安全性;传统的场景生成技术较难捕捉到高维数据的非线性特征,存在一定局限性,也有可能偏离实际规划场景。
发明内容
本发明的目的在于克服现有技术的不足,本发明提供了一种分布式电源优化配置的方法及系统,提升分布式电源的接入容量,有效降低社会总成本,提高配电网运行的经济性。
为了解决上述技术问题,本发明实施例提供了一种分布式电源优化配置的方法,所述方法包括:
基于条件深度卷积生成对抗网络模型对分布式电源出力的不确定性进行建模,并在所述模型中加入月份标签信息来生成风光出力场景;
基于高斯混合模型确定所述月份标签信息所对应的风光出力的上限和下限,并生成分布式电源极限场景;
根据所述分布式电源极限场景建立分布式电源双层优化配置的模型,并对所述模型进行求解;
基于IEEE33节点系统对所述分布式电源双层优化配置的模型进行验证和分析。
可选的,所述基于条件深度卷积生成对抗网络模型对分布式电源出力的不确定性进行建模,并在所述模型中加入月份标签信息来生成风光出力场景包括:
通过生成器不断生成接近真实数据的分布,确定生成器网络的目标;
通过判别器不断提升鉴定数据真假的能力,确定判别器网络的目标;
基于所述生成器网络的目标和所述判别器网络的目标,确定生成器的损失函数和判别器的损失函数;
根据所述生成器的损失函数和判别器的损失函数,建立生成对抗网络的极大极小化博弈模型。
可选的,所述生成器采用转置卷积进行上采样;所述判别器中加入带步长的卷积层对所述判别器中的数据进行下采样。
可选的,所述基于高斯混合模型确定所述月份标签信息所对应的风光出力的上限和下限,并生成分布式电源极限场景包括:
对历史风光数据进行标幺化处理;
基于改进的深度卷积生成对抗网络生成指定场景下的风光数据;
对所述风光数据进行高斯参数初始化;
估算所述风光数据中每个样本的类别概率,并对所述风光数据进行数据划分;
根据所述估算的权重值确定所述高斯混合模型的参数,并判断所述高斯混合模型是否收敛;
若所述高斯混合模型收敛,则输出聚类中心,得到分布式电源极限场景。
可选的,所述根据所述估算的权重值确定所述高斯混合模型的参数包括:根据所述估算的权重值,通过构造对数似然函数,采用期望最大的算法来确定所述高斯混合模型的参数。
可选的,所述根据所述分布式电源极限场景建立分布式电源双层优化配置的模型,并对所述模型进行求解包括:以社会年综合成本最小为目标建立上层规划模型,和以分布式电源的消纳量最大为目标建立下层规划模型。
可选的,所述上层规划模型的目标函数为:
可选的,所述下层规划模型的目标函数为:
可选的,所述上层规划模型采用整数型遗传的算法进行求解;所述下层规划模型采用风驱动优化的算法进行求解。
另外,本发明实施例还提供了一种分布式电源优化配置的系统,所述系统包括:
生成模块:用于基于条件深度卷积生成对抗网络模型对分布式电源出力的不确定性进行建模,并在所述模型中加入月份标签信息来生成风光出力场景;
确定模块:用于基于高斯混合模型确定所述月份标签信息所对应的风光出力的上限和下限,并生成分布式电源极限场景;
建模模块:用于根据所述分布式电源极限场景建立分布式电源双层优化配置的模型,并对所述模型进行求解;
验证模块:用于基于IEEE33节点系统对所述分布式电源双层优化配置的模型进行验证和分析。
在本发明实施中,通过改进的条件深度卷积生成对抗网络模型对分布式电源出力的不确定性建模,并在模型中加入月份标签信息以生成面向规划的风光联合出力场景;基于高斯混合模型确定月份标签对应的风光出力的上下限,从而刻画分布式电源出力的不确定性范围;最后,考虑分布式电源出力的运行边界,建立了社会总成本最小化的分布式电源双层优化配置模型;IEEE 33节点算例验证表明,该分布式电源优化配置能够提升分布式电源的接入容量,有效降低社会总成本,提高配电网运行的经济性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见的,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它的附图。
图1是本发明实施例中的分布式电源优化配置的方法流程示意图;
图2是本发明实施例中的分布式电源优化配置的系统结构组成示意图;
图3是本发明实施例中的高斯混合模型生成分布式发电技术出力极限场景的流程示意图;
图4是本发明实施例中的分布式电源双层优化配置的求解流程示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
实施例一
请参阅图1,图1是本发明实施例中的分布式电源优化配置的方法流程示意图。
如图1所示,一种分布式电源优化配置的方法,所述方法包括:
S11:基于条件深度卷积生成对抗网络模型对分布式电源出力的不确定性进行建模,并在所述模型中加入月份标签信息来生成风光出力场景;
在本发明具体实施过程中,所述基于条件深度卷积生成对抗网络模型对分布式电源出力的不确定性进行建模,并在所述模型中加入月份标签信息来生成风光出力场景包括:通过生成器不断生成接近真实数据的分布,确定生成器网络的目标;通过判别器不断提升鉴定数据真假的能力,确定判别器网络的目标;基于所述生成器网络的目标和所述判别器网络的目标,确定生成器的损失函数和判别器的损失函数;根据所述生成器的损失函数和判别器的损失函数,建立生成对抗网络的极大极小化博弈模型。需要说明的是,所述生成器采用转置卷积进行上采样;所述判别器中加入带步长的卷积层对所述判别器中的数据进行下采样。
具体的,生成对抗网络(Generative Adversarial Nets,GAN)是一种深度学习模型,通过训练真实数据集来拟合模型,隐式地学习数据的概率分布。生成对抗网络主要包含两个部分:生成器(Generator,G)与判别器(Discriminator,D),可视为两个相互作用的深度神经网络。从博弈论的角度来看,生成对抗网络的核心观念来源于零和博弈,生成器G不断生成接近真实数据的分布以提升合成的数据被判别器D鉴定为真的概率,判别器D则不断提升鉴定数据真假的能力,生成器G与判别器D不断地进行着博弈与对抗,最终优化到一个动态平衡状态——纳什均衡,此状态下,生成器G能相对准确地提取出真实数据的分布。
生成器G的输入数据是从任一分布(通常选用高斯分布、均匀分布等简单分布)中采样得到的数据z,z代表低维空间中的一个分布,经过生成器G的非线性变换作用,映射至高维空间,产生合成的数据,尽可能逼近真实数据的分布,提升合成数据在判别器D中判定为真的概率,生成最终的风光联合出力场景。
判别器D相当于一个二分类器,输出层采用sigmoid函数激活,输出结果代表判别器D所输入数据为真的概率,判别器D同时接收来自生成器G合成的数据G(z)和从历史风光数据中采样得到的真实数据x,判别器D的训练目标是最大化合成数据与真实风光数据的差别。
G和D两个网络的目标确定后,生成器G的损失函数LG和判别器D的损失函数LD可定义为:
其中,E(x)代表期望值;D(G(Z))为生成的数据G(Z)在判别器中判别为真的概率;D(x)代表真实数据x在判别器中判别为真的概率;噪声数据z的分布为z~PZ;PX为风光数据x的真实分布。
依据生成器G与判别器D的损失函数,建立生成对抗网络的极大极小化博弈模型:
生成器G的目标是使损失LG越小越好,即最小化模型的价值函数V(G,D),判别器D的目的则是最小化损失函数LD,即最大化模型的价值函数V(G,D)。由此构成了上述两阶段极大极小化博弈模型。生成器G与判别器D的目标相互矛盾,两者不断博弈,最终达到纳什均衡状态,完成整个“动态博弈”的训练优化过程。
与单一优化目标的模型相比,生成对抗网络的生成器G与判别器D的优化目标相矛盾,因此,GAN的模型训练存在不太稳定的现象。传统的GAN模型学习特征的能力不强,易丢失训练方向。亟需寻找改进方法来解决上述问题,有效生成风光出力场景,因此对GAN进行改进,提出深度卷积生成对抗网络。
深度卷积生成对抗网络(Deep Convolutions Generative AdversarialNetwork,DCGAN)是对GAN的改进,DCGAN将卷积网络引入GAN的结构中,基于卷积网络较强的特征提取能力来提升GAN生成的数据质量。风光出力具有丰富的特征,卷积生成对抗网络的特点正好适用于提取风光出力曲线的动态信息。本实施例采用改进的条件DCGAN模型以生成面向规划的风光联合出力场景。深度卷积生成对抗网络DCGAN与传统的GAN模型相比,采用了两个卷积神经网络来改善传统生成对抗网络的结构,提升了网络的稳定性,并提高了数据样本生成的质量,加快了收敛的速度。条件GAN是对传统GAN模型的一种扩展,以加入类别或者其他模态信息为条件,并将该信息作为生成器G和判别器D输入的一部分,调整后可实现条件GAN模型。
传统的生成对抗网络由于没有任何先验信息,训练方向易丧失,导致训练效果差且不稳定,本实施例的分布式电源联合出力场景生成模型,在生成器G与判别器D中均加入指定的标签y(如时间属性),组成新的联合隐层表征,生成特定条件下的风光联合出力场景。其中,类别标签采用机器学习中的one-hot编码技术来进行数据格式的规范处理。
结合条件GAN加入的类别标签信息,改进的条件DCGAN的价值函数V(G,D)在上述建立生成对抗网络的极大极小化博弈模型进行相应地调整如下:
其中,y为规划人员加入的数据样本的类标签信息。
S12:基于高斯混合模型确定所述月份标签信息所对应的风光出力的上限和下限,并生成分布式电源极限场景;
在本发明具体实施过程中,如图3所示,所述基于高斯混合模型确定所述月份标签信息所对应的风光出力的上限和下限,并生成分布式电源极限场景包括:对历史风光数据进行标幺化处理;基于改进的深度卷积生成对抗网络生成指定场景下的风光数据;对所述风光数据进行高斯参数初始化;估算所述风光数据中每个样本的类别概率,并对所述风光数据进行数据划分;根据所述估算的权重值确定所述高斯混合模型的参数,并判断所述高斯混合模型是否收敛;若所述高斯混合模型收敛,则输出聚类中心,得到分布式电源极限场景。需要说明的是,所述根据所述估算的权重值确定所述高斯混合模型的参数包括:根据所述估算的权重值,通过构造对数似然函数,采用期望最大的算法来确定所述高斯混合模型的参数。
具体的,高斯混合模型通过多个高斯函数的组合来有效地逼近任一连续的概率分布,其概率分布函数如下:
通过构造对数似然函数,采用期望最大法(Expectation Maximization,EM)来求解高斯模型参数。EM方法是一种从不完整数据中求解模型参数的极大似然估计的迭代算法,通过不断地优化求解、迭代计算,可得高斯混合模型参数αs、μs、的估计值。
首先给出似然函数的定义如下:
对上式取对数,得到如下的对数形式的似然函数:
采用EM算法求解模型参数分为两个步骤:(1)Expectation-step,进行参数的初始化,估计高斯分模型的权重值,实现样本数据的划分;(2)Maximazation-step,根据估计的权重值,确定高斯模型的参数αs、μs、σs。两个步骤反复迭代计算,直至模型收敛。
(1)Expectation-step,估计第i个数据样本属于第s个高斯分模型的权重值ωi(s),用于划分样本数据:
(2)Maximazation-step,计算高斯模型参数αs、μs、σs,并将得到的参数传递给下一次迭代的Expectation-step步骤:
其中,Ns代表第s类的样本数;N为样本总数。
高斯混合模型将相似度高的DG出力曲线划为一组,最大化不同组别之间的差异,采用高斯混合模型GMM将每一个月份标签下的风光出力数据划分为两组,一组的整体出力水平较高,另一组则对应了每个月份的低水平出力,由此可确定风、光出力的上下限边界,生成DG出力的极限场景。
S13:根据所述分布式电源极限场景建立分布式电源双层优化配置的模型,并对所述模型进行求解;
在本发明具体实施过程中,所述根据所述分布式电源极限场景建立分布式电源双层优化配置的模型,并对所述模型进行求解包括:以社会年综合成本最小为目标建立上层规划模型,和以分布式电源的消纳量最大为目标建立下层规划模型。
具体的,上层规划模型以社会年综合成本最小为目标,综合考虑分布式电源的运维费用、投资年费、年补贴收益、配电网的网络损耗费用、配电网的购电成本,建立上层规划的目标函数:
其中,CG代表配电网向上级电网购电的成本;为DG的运维费用;CINV为DG的投资年费,按照折现率进行折算;CLOSS为配电网的网络损耗费用;BSUB为DG的年补贴收益,按照实际的DG年发电量计算。上述成本、效益指标的单位均为:万元。
上层规划模型的约束条件为:
(1)单个节点的DG安装容量约束
(2)DG总的接入容量的约束
下层规划模型以分布式电源的消纳量最大为目标,建立目标函数如下:
下层规划模型的约束条件为:
(1)分布式电源出力的上下限约束
(2)功率平衡约束
其中,Pi、Qi分别为节点i注入的有功功率(kW)、无功功率(kVar);Ui(kV)为节点i的电压幅值;Gij是电导,导纳矩阵的实部,Bij是电纳,导纳矩阵的虚部,单位均为S(西门子);θij代表节点i与节点j之间的电压相角差,弧度;A(i)为所有与节点i相联通的节点j的集合。
(3)节点的电压约束
(4)支路电流的约束
本实施例的分布式电源优化配置模型中,上层规划模型实质上是一个整数规划问题,采用整数型遗传算法进行求解,下层属于连续型变量的非线性规划问题,采用风驱动优化算法进行求解。
风驱动优化算法(wind driven optimization,WDO)通过模拟大气的运动情况,对单位质量、单位体积空气粒子进行受力分析:重力、气压梯度力、摩擦力和科里奥利力。通过空气的流动使得空气质点的压力差达到最终的平衡状态,将空气质点的最终压力值作为最佳适应度。根据规划问题的目标函数,构建合适的压力值(适应度)函数,根据压力值的大小实现种群个体信息的更新,每一个空气粒子对应着一个优化问题的候选解,通过更新每个粒子的速度与位置以实现优化问题的求解。该方法是一种迭代启发式的全局优化算法,可以解决连续、离散变量的优化规划问题,在多维问题与多模问题上的表现效果比较好,并且算法的计算效率比较高,参数调节较为容易,具有很强的鲁棒性和全局搜索能力。
分布式电源的双层配置模型中,上层模型考虑下层模型返回的DG优化运行结果,解决多场景下上层分布式电源容量与安装位置的优化配置问题,下层依据上层给出的分布式电源配置方案,考虑DG出力的波动范围,最大化DG的消纳量,解决每个场景下DG的运行优化问题。由此,得出上述分布式电源双层优化配置问题的具体求解流程,如图4所示。
S14:基于IEEE33节点系统对所述分布式电源双层优化配置的模型进行验证和分析。
具体的,为研究风机与光伏的出力特性与生成联合出力场景,选取了某实验室公开数据集中32台风机与32台光伏发电单元在2015年的历史出力数据,采样时间间隔为5分钟。假定风机的候选安装位置为节点4、8、13、17,各个节点接入的数量限制为10台,风机安装费用为7万元/台。光伏电源的候选安装位置为20、24、29、32,单个节点限制接入光伏电源的数量同样为10台,光伏的安装费用为10万元/台,光伏补贴电价为0.18元/kWh。单台分布式电源的额定容量为50kW,风机和光伏的运维费用都取值为58元/MWh,电价取值0.5元/kWh。负荷数据为典型居民、工业、商业的四季负荷曲线扩展,得到全年的负荷状态小时序列,依据本算例情况,假定节点1-11为居民负荷,节点12-22为工业负荷,节点23-33为商业负荷。为节省规划模型的整体求解开销,将分布式电源出力采样间隔从5min改为30min,与负荷的采样时间间隔相同,即30分钟内的负荷和DG出力数据维持不变。
将风电和光伏发电1天288个点的出力数据组合并重塑成24×24的矩阵,经过标准化处理后,作为改进的条件DCGAN判别器D的输入。选取12个月份作为风、光出力共同的标签y,引导风光联合出力场景的生成。
训练开始时,产生的风光出力数据是随机生成的噪声数据,生成器G此时尚未学习到DG出力数据的分布特征,生成的风光曲线为随机波动的白噪声。随着训练的不断进行,生成器G不断提升生成的数据的质量,逐渐出现了一些分布式电源出力周期性变化的特征,但此时仍未充分捕获风光数据的内在特性,数据存在剧烈变化的采样点。最终生成器G与判别器D达到动态平衡时,风光出力曲线较为平滑。光伏数据总体呈现白天出力较多,晚上出力为0的情况,风电的出力受风速等自然气候多变的影响,呈现较强的波动性。
为进一步分析生成场景的有效性,绘制风电与光伏的真实数据出力x与生成数据G(z)的概率密度函数和累积概率分布函数。32台风机总出力最大值为16MW,光伏最大出力为8.6MW。考虑到风电/光伏出力为0的数据对于生成数据G(z)的分析没有意义,本算例设置出力阈值为0.7MW(即低于该数值时将出力置零),对风、光出力的真实数据与生成数据进行统计,通过拟合数据可以得出:(1)无论是风电还是光伏的出力数据,经由生成器G合成的数据G(z)的概率密度分布、累积概率分布与实际数据的分布非常接近,验证了本实施例基于改进DCGAN生成的风电、光伏出力场景的准确性与有效性。(2)本实施例通过改进的条件DCGAN模型,同时实现了对风电、光伏两类分布式电源概率分布特性的高度拟合。生成器G具有很强的学习能力与泛化能力,仅输入满足高斯分布的噪声数据就能较为准确地生成风光联合出力场景,这为场景分析提供了极大的方便。
在本发明实施中,通过改进的条件深度卷积生成对抗网络模型对分布式电源出力的不确定性建模,并在模型中加入月份标签信息以生成面向规划的风光联合出力场景;基于高斯混合模型确定月份标签对应的风光出力的上下限,从而刻画分布式电源出力的不确定性范围;最后,考虑分布式电源出力的运行边界,建立了社会总成本最小化的分布式电源双层优化配置模型;IEEE 33节点算例验证表明,该分布式电源优化配置能够提升分布式电源的接入容量,有效降低社会总成本,提高配电网运行的经济性。
实施例二
请参阅图2,图2是本发明实施例中的分布式电源优化配置的系统结构组成示意图。
如图2所示,一种分布式电源优化配置的系统,所述系统包括:
生成模块11:用于基于条件深度卷积生成对抗网络模型对分布式电源出力的不确定性进行建模,并在所述模型中加入月份标签信息来生成风光出力场景;
确定模块12:用于基于高斯混合模型确定所述月份标签信息所对应的风光出力的上限和下限,并生成分布式电源极限场景;
建模模块13:用于根据所述分布式电源极限场景建立分布式电源双层优化配置的模型,并对所述模型进行求解;
验证模块14:用于基于IEEE33节点系统对所述分布式电源双层优化配置的模型进行验证和分析。
具体地,本发明实施例的系统相关功能模块的工作原理可参见方法实施例一的相关描述,这里不再赘述。
在本发明实施中,通过改进的条件深度卷积生成对抗网络模型对分布式电源出力的不确定性建模,并在模型中加入月份标签信息以生成面向规划的风光联合出力场景;基于高斯混合模型确定月份标签对应的风光出力的上下限,从而刻画分布式电源出力的不确定性范围;最后,考虑分布式电源出力的运行边界,建立了社会总成本最小化的分布式电源双层优化配置模型;IEEE 33节点算例验证表明,该分布式电源优化配置能够提升分布式电源的接入容量,有效降低社会总成本,提高配电网运行的经济性。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:只读存储器(ROM,Read OnlyMemory)、随机存取存储器(RAM,Random AccessMemory)、磁盘或光盘等。
另外,以上对本发明实施例所提供的一种分布式电源优化配置的方法及系统进行了详细介绍,本文中应采用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (9)
1.一种分布式电源优化配置的方法,其特征在于,所述方法包括:
基于条件深度卷积生成对抗网络模型对分布式电源出力的不确定性进行建模,并在所述模型中加入月份标签信息来生成风光出力场景;
基于高斯混合模型确定所述月份标签信息所对应的风光出力的上限和下限,并生成分布式电源极限场景;
根据所述分布式电源极限场景建立分布式电源双层优化配置的模型,并对所述模型进行求解;
基于IEEE33节点系统对所述分布式电源双层优化配置的模型进行验证和分析;
所述基于条件深度卷积生成对抗网络模型对分布式电源出力的不确定性进行建模,并在所述模型中加入月份标签信息来生成风光出力场景包括:
通过生成器不断生成接近真实数据的分布,确定生成器网络的目标;
通过判别器不断提升鉴定数据真假的能力,确定判别器网络的目标;
基于所述生成器网络的目标和所述判别器网络的目标,确定生成器的损失函数和判别器的损失函数;
根据所述生成器的损失函数和判别器的损失函数,建立生成对抗网络的极大极小化博弈模型。
2.根据权利要求1所述的分布式电源优化配置的方法,其特征在于,所述生成器采用转置卷积进行上采样;所述判别器中加入带步长的卷积层对所述判别器中的数据进行下采样。
3.根据权利要求1所述的分布式电源优化配置的方法,其特征在于,所述基于高斯混合模型确定所述月份标签信息所对应的风光出力的上限和下限,并生成分布式电源极限场景包括:
对历史风光数据进行标幺化处理;
基于改进的深度卷积生成对抗网络生成指定场景下的风光数据;
对所述风光数据进行高斯参数初始化;
估算所述风光数据中每个样本的类别概率,并对所述风光数据进行数据划分;
根据所述估算的权重值确定所述高斯混合模型的参数,并判断所述高斯混合模型是否收敛;
若所述高斯混合模型收敛,则输出聚类中心,得到分布式电源极限场景。
4.根据权利要求3所述的分布式电源优化配置的方法,其特征在于,所述根据所述估算的权重值确定所述高斯混合模型的参数包括:根据所述估算的权重值,通过构造对数似然函数,采用期望最大的算法来确定所述高斯混合模型的参数。
5.根据权利要求1所述的分布式电源优化配置的方法,其特征在于,所述根据所述分布式电源极限场景建立分布式电源双层优化配置的模型,并对所述模型进行求解包括:以社会年综合成本最小为目标建立上层规划模型,和以分布式电源的消纳量最大为目标建立下层规划模型。
8.根据权利要求6所述的分布式电源优化配置的方法,其特征在于,所述上层规划模型采用整数型遗传的算法进行求解;所述下层规划模型采用风驱动优化的算法进行求解。
9.一种分布式电源优化配置的系统,其特征在于,所述系统包括:
生成模块:用于基于条件深度卷积生成对抗网络模型对分布式电源出力的不确定性进行建模,并在所述模型中加入月份标签信息来生成风光出力场景;
确定模块:用于基于高斯混合模型确定所述月份标签信息所对应的风光出力的上限和下限,并生成分布式电源极限场景;
建模模块:用于根据所述分布式电源极限场景建立分布式电源双层优化配置的模型,并对所述模型进行求解;
验证模块:用于基于IEEE33节点系统对所述分布式电源双层优化配置的模型进行验证和分析;
所述基于条件深度卷积生成对抗网络模型对分布式电源出力的不确定性进行建模,并在所述模型中加入月份标签信息来生成风光出力场景包括:
通过生成器不断生成接近真实数据的分布,确定生成器网络的目标;
通过判别器不断提升鉴定数据真假的能力,确定判别器网络的目标;
基于所述生成器网络的目标和所述判别器网络的目标,确定生成器的损失函数和判别器的损失函数;
根据所述生成器的损失函数和判别器的损失函数,建立生成对抗网络的极大极小化博弈模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010440019.3A CN111709555B (zh) | 2020-05-22 | 2020-05-22 | 一种分布式电源优化配置的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010440019.3A CN111709555B (zh) | 2020-05-22 | 2020-05-22 | 一种分布式电源优化配置的方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111709555A CN111709555A (zh) | 2020-09-25 |
CN111709555B true CN111709555B (zh) | 2022-09-23 |
Family
ID=72538083
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010440019.3A Active CN111709555B (zh) | 2020-05-22 | 2020-05-22 | 一种分布式电源优化配置的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111709555B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112560249A (zh) * | 2020-12-09 | 2021-03-26 | 中国电力科学研究院有限公司 | 基于双判别器生成对抗网络的电网静态安全分析方法及系统 |
CN112949008B (zh) * | 2021-02-08 | 2023-04-07 | 国网河北省电力有限公司衡水供电分公司 | 一种配电网规划方法及相关装置 |
CN113191918B (zh) * | 2021-03-31 | 2024-04-23 | 重庆大学 | 基于时序生成对抗网络的月度风光发电功率场景分析方法 |
CN113328427B (zh) * | 2021-05-07 | 2022-12-06 | 华能青岛热电有限公司 | 基于深度学习的直流供电系统及供电方法 |
CN113869410A (zh) * | 2021-09-28 | 2021-12-31 | 云南农业大学 | 一种基于dcgan样本补充的滚动轴承故障诊断方法 |
CN117556970B (zh) * | 2024-01-12 | 2024-04-09 | 杭州鸿晟电力设计咨询有限公司 | 一种基于数据驱动的配电网规划方法及系统 |
CN117688793B (zh) * | 2024-02-04 | 2024-05-10 | 中国地质大学(武汉) | 一种分布鲁棒机组组合建模与求解方法、设备及存储设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109871883A (zh) * | 2019-01-24 | 2019-06-11 | 北京市商汤科技开发有限公司 | 神经网络训练方法及装置、电子设备和存储介质 |
CN110427846A (zh) * | 2019-07-19 | 2019-11-08 | 西安工业大学 | 一种利用卷积神经网络对不平衡小样本的人脸识别方法 |
CN110516843A (zh) * | 2019-07-19 | 2019-11-29 | 国网冀北电力有限公司电力科学研究院 | 一种虚拟电厂容量优化方法、设备以及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180218256A1 (en) * | 2017-02-02 | 2018-08-02 | Qualcomm Incorporated | Deep convolution neural network behavior generator |
-
2020
- 2020-05-22 CN CN202010440019.3A patent/CN111709555B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109871883A (zh) * | 2019-01-24 | 2019-06-11 | 北京市商汤科技开发有限公司 | 神经网络训练方法及装置、电子设备和存储介质 |
CN110427846A (zh) * | 2019-07-19 | 2019-11-08 | 西安工业大学 | 一种利用卷积神经网络对不平衡小样本的人脸识别方法 |
CN110516843A (zh) * | 2019-07-19 | 2019-11-29 | 国网冀北电力有限公司电力科学研究院 | 一种虚拟电厂容量优化方法、设备以及系统 |
Non-Patent Citations (2)
Title |
---|
"DCGAN Based Data Generation for Process Monitoring";Y.Du等;《2019 IEEE 8th Data Driven Control and Learning Systems Conference》;20191125;第410-415页 * |
"计及复杂运行场景的主动配电网多阶段规划研究";赵磊;《中国优秀硕士学位论文全文数据库 工程科技II辑》;20190815;正文第3.6节 * |
Also Published As
Publication number | Publication date |
---|---|
CN111709555A (zh) | 2020-09-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111709555B (zh) | 一种分布式电源优化配置的方法及系统 | |
Wang et al. | Robust big data analytics for electricity price forecasting in the smart grid | |
Ozkan et al. | A novel wind power forecast model: Statistical hybrid wind power forecast technique (SHWIP) | |
He et al. | A hybrid system for short-term wind speed forecasting | |
Wu et al. | A data mining approach combining $ K $-Means clustering with bagging neural network for short-term wind power forecasting | |
Bai et al. | Wind farm layout optimization using adaptive evolutionary algorithm with Monte Carlo Tree Search reinforcement learning | |
Fang et al. | Deep reinforcement learning for scenario-based robust economic dispatch strategy in internet of energy | |
CN110110948B (zh) | 一种多目标分布式电源优化配置方法 | |
CN109412161B (zh) | 一种电力系统概率潮流计算方法及系统 | |
Lu et al. | Study on the optimal hydropower generation of Zhelin reservoir | |
Deepanraj et al. | Intelligent wild geese algorithm with deep learning driven short term load forecasting for sustainable energy management in microgrids | |
CN111725802B (zh) | 基于深度神经网络的交直流混联电网暂态稳定判断方法 | |
CN110909939A (zh) | 一种含分布式电源的配电网多阶段规划方法 | |
CN114330100A (zh) | 一种短期光伏功率概率区间预测方法 | |
CN112561273A (zh) | 一种基于改进pso的主动配电网可再生dg规划方法 | |
Zhang et al. | Application of decision trees to the determination of the year-end level of a carryover storage reservoir based on the iterative dichotomizer 3 | |
CN115411777A (zh) | 一种配电网灵活性评估及资源配置方法及系统 | |
CN115021331A (zh) | 基于贡献系数法的清洁能源基地水风光一体化补偿方法 | |
Kang et al. | CM-GAN: A cross-modal generative adversarial network for imputing completely missing data in digital industry | |
CN112564160A (zh) | 一种计及风电不确定性的储能系统随机配置方法、终端及存储介质 | |
CN114021437B (zh) | 一种风电光伏有功场景生成方法、装置、电子设备和存储介质 | |
CN109615142A (zh) | 一种基于小波分析的风电场风速组合预测方法 | |
Chenglei et al. | Scene Generation Method of Wind-solar Joint Output Based on Generative Adversarial Network | |
Yang et al. | Multistep wind speed forecasting using a novel model hybridizing singular spectrum analysis, modified intelligent optimization, and rolling elman neural network | |
Zhong et al. | Hybrid Network Model Based on Data Enhancement for Short-Term Power Prediction of New PV Plants |
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 |