CN113793040A - 基于多随机变量最优约简模型的输电系统调度约简方法 - Google Patents
基于多随机变量最优约简模型的输电系统调度约简方法 Download PDFInfo
- Publication number
- CN113793040A CN113793040A CN202111094184.9A CN202111094184A CN113793040A CN 113793040 A CN113793040 A CN 113793040A CN 202111094184 A CN202111094184 A CN 202111094184A CN 113793040 A CN113793040 A CN 113793040A
- Authority
- CN
- China
- Prior art keywords
- scene
- reduction
- correlation
- node
- representing
- 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.)
- Pending
Links
- 230000009467 reduction Effects 0.000 title claims abstract description 116
- 238000000034 method Methods 0.000 title claims abstract description 43
- 230000005540 biological transmission Effects 0.000 title claims abstract description 26
- 238000005457 optimization Methods 0.000 claims abstract description 16
- 239000011159 matrix material Substances 0.000 claims description 52
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 8
- 238000005192 partition Methods 0.000 claims description 8
- 239000013598 vector Substances 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 4
- 230000001351 cycling effect Effects 0.000 claims description 2
- 230000001419 dependent effect Effects 0.000 claims description 2
- 230000014759 maintenance of location Effects 0.000 claims description 2
- 230000006870 function Effects 0.000 description 10
- 238000010248 power generation Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 238000007796 conventional method Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000002194 synthesizing 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- 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
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Human Resources & Organizations (AREA)
- Pure & Applied Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Optimization (AREA)
- Economics (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Strategic Management (AREA)
- Software Systems (AREA)
- Algebra (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
Abstract
本发明公开了基于多随机变量最优约简模型的输电系统调度约简方法,属于电力系统领域,包括:在综合最优约简框架的基础上,提出一种新的输电系统调度场景约简方法,该方法利用关联权重来平衡相关损失,并利用原始集与约简集之间的概率相似性来提高高维场景约简的性能;该模型的优化目标是选择一个具有代表性的场景子集,该子集不仅能使场景约简前后的关联损失最小化,而且能最大限度地提高原始场景集与简化场景集之间的相似度。应用本申请实施例,基于以上结果和分析,提出的方法在多目标变场景约简问题中表现出良好的性能,在实际应用中具有有效性。
Description
技术领域
本申请属于电力系统领域,具体涉及基于多随机变量最优约简模型的输电系统调度约简方法。
背景技术
目前,许多领域不可避免地存在着各种各样的随机变量,这使得随机规划在决策、优化和调度问题中有着广泛的应用前景。在许多实际的随机规划问题中,往往存在相互作用的随机因素,如智能微网能源与储备调度中的风速与太阳辐射、输电扩建规划中的风电与负荷、长期财务规划中的实际利率与通货膨胀率等。特别是在包含风力和光伏发电设备的电力系统中,相关随机变量之间的多变量不确定性会极大地影响经济性、和充分性的评估结果,因此在规划过程中考虑随机相关性是有意义的避免决策的不可靠性。考虑到多随机变量规划问题的普遍性和特殊性,本文将这类随机规划定义为多随机变量规划(MSVP,multi-stochastic variable programming),并以此为研究重点。
与单随机变量规划相比,由于多个随机变量概率分布的非线性运算和数值积分运算,多随机变量规划不仅增加了求解的复杂度,但由于多个随机变量之间的相关性,也增加了模型中处理随机变量的难度。场景分析作为一个突破点,为各种随机变量的不确定性表示提供了一个很好的解决方案。然而,随着场景树的阶段数和每个分支中子节点数的增加,场景规模的“指数爆炸”问题就会产生,这将严重影响问题的求解效率,甚至可能导致无法获得可行的解决方案。因此,有必要引入关键场景约简来消除冗余场景。如何正确地进行场景约简是基于场景的决策问题的研究热点和难点。
发明内容
发明目的:为解决上述技术问题,本发明提供基于多随机变量最优约简模型的输电系统调度约简方法,一种基于多随机变量规划综合最优约简模型的场景约简装置,一种计算机设备和一种计算机可读存储介质,以消除冗余的初始场景。在这个模型中,提出了相关损失的概念,以解决在简化场景下相关性严重偏离的问题。使用了一个相对权重来平衡所提出的场景简化框架的两个目标,具有很强的普适性。
技术方案:为实现上述发明目的,针对传统方法对原始场景中多个随机变量进行约简后,不能很好地保持其相关性的问题,首次提出了相关损失的概念;本发明的基于多随机变量最优约简模型的输电系统调度约简方法,包括:
在综合最优约简框架的基础上,提出了输电系统调度场景约简方法,该方法利用关联权重来平衡相关损失,并利用原始集与约简集之间的概率相似性来提高高维场景约简的性能;
模型的优化目标是选择一个具有代表性的场景子集,该子集使场景约简前后的关联损失最小化,最大限度地提高原始场景集与简化场景集之间的相似度。
进一步地,输电系统调度场景约简方法包括:
d维原始场景集Ω1中每两个随机变量θi和θj之间的相关系数:
原始场景集相关系数矩阵:
简化场景集相关系数矩阵:
其中,N1表示原始场景集Ω1的尺寸;d表示原始场景集Ω1的维数;θi和θj表示原始场景集Ω1中每两个随机变量;表示简化场景集的尺寸;ρij表示原始场景集Ω1中每两个随机变量θi和θj之间的相关系数;表示简化场景集每两个随机变量θi和θj之间的相关系数;表示第i个随机变量θi的第k个实现;是第i个随机变量θi的第k个实现;ρd表示原始场景集相关系数矩阵;表示简化场景集相关系数矩阵;Δρd表示ρd与的偏差矩阵。
进一步地,所述的该方法利用关联权重来平衡相关损失,具体包括:
所述考虑相关损失的综合最优方案简化框架为:
其中,表示按节点τ划分的聚类子集,表示按节点τ'划分的与不同的聚类子集,不同子集之间不存在交集;所有的子集构成了通用集Ω1;然后用节点代替子集中的原始节点,表示与节点不同的从属于约简集的节点,并且所有节点构成简化集Ω1;上述场景约简框架中的目标函数包括两项,一项是概率相似性函数,另一项是约简集与原始集之间的相关损失都准备好了这两个项目的范围是0到1,归一化后它们之间没有数量级的差异;β被称为相关权重,整个场景简化模型通过调整β来平衡这两个目标;因此,β的取值范围为[0,1],不参与统一量级的运算;β的值决定了场景还原后关联保持的程度,也是决策者对关联损失的重视程度;大β倾向于选择保留关联精度高但相似度相对较低的场景,小β则保证了较高的相似度,但相关性存在一定程度的偏差;因此,β值的大小将直接影响到保存的场景集的质量和决策结果的精度。
进一步地,所述的模型为:
进一步地,所述的框架扩展到多阶段情况是:
为了减少多级场景树,我们将具有相同父节点τt-1的子节点τt划分为若干个簇并用一个新的场景节点替换每个簇,然后中原节点的所有子节点都将变成新场景节点的子节点,我们假设(t=1,2,…,T)表示一组整体子节点τt包含在同一父节点τt-1中;然后,在每个场景约简后,所有子节点移动到新的父节点上,所有的集合构成了通用集合它代表了第(t-1)阶段所有新父节点下的子节点的完整集合,构成了t级场景空间
进一步地,所述的综合场景简化框架中,在构造了综合最优场景简化框架之后,场景简化方法算法具体为:
步骤1,第1阶段:设置N=N1,保留的场景集其对应的概率集定义相关损失矩阵Corrloss(i,j)=Corrloss(ξi,ξj),并设Corrloss=O(N×N);定义相似矩阵SIMN×N,SIM(i,j)=SIM(ξi,ξj),(i,j=1,2,…,N);定义总减量目标矩阵SIMCorrN×N;
步骤2,第2阶段:执行以下步骤:
步骤2.1,相似计算:按
k表示场景向量中的第k个随机变量,即场景集维度,d表示场景向量中随机变量的总数;k和i的位置上下交换,表示的含义也上下交换;i,j表示场景集中对应的场景向量,表示第i个场景向量中的第k个随机变量,表示两个场景的每个维度的距离,表示整个场景集中每个维度的最大值和最小值之差,p表示场景概率,ε是一个忽略的小常数,它使分数的分子不被除以零;
计算Sim(ξi,ξj),得到SIMN×N;
步骤2.3,规范化操作:将矩阵SIMN×N和corrlosN×N中的元素正规化如下,得到矩阵Sim’N×N和Corrloss’N×N;
其中SIMmin和SIMmax分别对应于SIMN×N中的最大值和最小值;Corrlossmin和corrlosmax分别对应于Corrloss’N×N中的最大值和最小值;
步骤2.4,总约简目标值计算:根据SIMCorr(i,j)=Sim’(i,j)-βCorrloss’(i,j)计算综合约简目标,得到矩阵SIMCorr;
步骤2.5,最优再分配:求解单一阶段情况下的综合场景简化框架,找到与最大值对应的最佳场景对(ξa,ξb)(a,b=1,2,…,N)值为SIMCorrN×N;计算新场景的ξnew和pnew;
一种基于多随机变量规划综合最优约简模型的场景约简装置,其特征在于,包括:
建立相关损失的模型;
在综合最优约简框架的基础上,建立一种新的场景约简模型;
该模型的优化目标是选择一个具有代表性的场景子集,该子集不仅能使场景约简前后的关联损失最小化,而且能最大限度地提高原始场景集与简化场景集之间的相似度。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
建立相关损失的模型;
在综合最优约简框架的基础上,建立一种新的场景约简模型;
该模型的优化目标是选择一个具有代表性的场景子集,该子集不仅能使场景约简前后的关联损失最小化,而且能最大限度地提高原始场景集与简化场景集之间的相似度。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
建立相关损失的模型;
在综合最优约简框架的基础上,建立一种新的场景约简模型;
该模型的优化目标是选择一个具有代表性的场景子集,该子集不仅能使场景约简前后的关联损失最小化,而且能最大限度地提高原始场景集与简化场景集之间的相似度。
有益效果:与现有技术相比,上述输电系统调度场景约简方法、场景约简装置、计算机设备和计算机可读存储介质,通过建立相关损失的模型;在综合最优约简框架的基础上,建立一种新的场景约简模型,该模型的优化目标是选择一个具有代表性的场景子集,该子集不仅能使场景约简前后的关联损失最小化,而且能最大限度地提高原始场景集与简化场景集之间的相似度。应用本申请实施例,本方法在保持多随机变量规划样本外稳定性和降低调度成本方面更为有利。通过算例分析,验证了提出的方法在多目标变场景约简问题中表现出良好的性能,在实际应用中具有有效性。
附图说明
图1是一个实施例的基于多随机变量最优约简模型的输电系统调度约简方法的流程示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在一个实施例中,如图1所示,提供了基于多随机变量最优约简模型的输电系统调度约简方法的流程示意图。其中,本申请应用于各种计算机、笔记本电脑等计算机设备,适用于多阶段情况下的综合场景简化,提出了相关损失的概念,解决了在简化场景下相关性严重偏离的问题;针对具有多个随机变量的场景约简问题,提出了一种基于新的优化框架的综合优化输电系统调度场景约简方法,以消除冗余的初始场景。具体来说,本申请的输电系统调度场景约简方法包括以下步骤:
步骤S110,针对传统方法对原始场景中多个随机变量进行约简后,不能很好地保持其相关性的问题,首次提出了相关损失的概念。
步骤S120,在综合最优约简框架的基础上,提出了一种新的输电系统调度场景约简方法,该方法利用关联权重来平衡相关损失,并利用原始集与约简集之间的概率相似性来提高高维场景约简的性能。
本申请的场景约简的数学模型,包括有相关损失的模型和在综合最优约简框架的基础上,建立的一种新的场景约简模型:
相关损失的模型:
d维原始场景集Ω1中每两个随机变量θi和θj之间的相关系数:
原始场景集相关系数矩阵:
简化场景集相关系数矩阵:
所述相关损失为:
其中,N1表示原始场景集Ω1的尺寸;d表示原始场景集Ω1的维数;θi和θj表示原始场景集Ω1中每两个随机变量;表示简化场景集的尺寸;ρij表示原始场景集Ω1中每两个随机变量θi和θj之间的相关系数;表示简化场景集每两个随机变量θi和θj之间的相关系数;表示第i个随机变量θi的第k个实现;是第i个随机变量θi的第k个实现;ρd表示原始场景集相关系数矩阵;表示简化场景集相关系数矩阵;Δρd表示ρd与的偏差矩阵。
在综合最优约简框架的基础上,建立的一种新的场景约简模型:
考虑相关损失的综合最优方案简化框架为:
其中,表示按节点τ划分的聚类子集,不同子集之间不存在交集。所有的子集构成了通用集Ω1。然后用节点代替子集中的原始节点,并且所有节点构成简化集Ω1。上述场景约简框架中的目标函数主要包括两项,一项是概率相似性函数,另一项是约简集与原始集之间的相关损失都准备好了这两个项目的范围是0到1,归一化后它们之间没有数量级的差异。β被称为相关权重,整个场景简化模型通过调整β来平衡这两个目标。因此,β的取值范围为[0,1],不参与统一量级的运算。β的值决定了场景还原后关联保持的程度,也是决策者对关联损失的重视程度。大β倾向于选择保留关联精度高但相似度相对较低的场景,小β则保证了较高的相似度,但相关性存在一定程度的偏差。因此,β值的大小将直接影响到保存的场景集的质量和决策结果的精度。
为了便于理解,上述模型也写成:
框架扩展到多阶段情况是:
为了减少多级场景树,我们将具有相同父节点τt-1的子节点τt划分为若干个簇并用一个新的场景节点替换每个簇,然后中原节点的所有子节点都将变成新场景节点的子节点,我们假设(t=1,2,…,T)表示一组整体子节点τt包含在同一父节点τt-1中。然后,在每个场景约简后,所有子节点移动到新的父节点上,所有的集合构成了通用集合它代表了第(t-1)阶段所有新父节点下的子节点的完整集合,构成了t级场景空间
步骤S130,该模型的优化目标是选择一个具有代表性的场景子集,该子集不仅能使场景约简前后的关联损失最小化,而且能最大限度地提高原始场景集与简化场景集之间的相似度。
在构造了综合最优场景简化框架之后,提出了一种新的场景简化方法算法:
步骤1(第1阶段):设置N=N1,保留的场景集其对应的概率集定义相关损失矩阵Corrloss(i,j)=Corrloss(ξi,ξj),并设Corrloss=O(N×N);定义相似矩阵SIMN×N,SIM(i,j)=SIM(ξi,ξj),(i,j=1,2,…,N)。定义总减量目标矩阵SIMCorrN×N;
步骤2(阶段2):执行以下步骤:
步骤2.1(相似计算):按
计算Sim(ξi,ξj),得到SIMN×N。
步骤2.3(规范化操作):将矩阵SIMN×N和corrlosN×N中的元素正规化如下,得到矩阵Sim’N×N和Corrloss’N×N。
其中SIMmin和SIMmax分别对应于SIMN×N中的最大值和最小值;Corrlossmin和corrlosmax分别对应于Corrloss’N×N中的最大值和最小值;
步骤2.4(总约简目标值计算):根据SIMCorr(i,j)=Sim’(i,j)-βCorrloss’(i,j)计算综合约简目标,得到矩阵SIMCorr。
步骤2.5(最优再分配):求解单一阶段情况下的综合场景简化框架,找到与最大值对应的最佳场景对(ξa,ξb)(a,b=1,2,…,N)值为SIMCorrN×N;计算新场景的ξnew和pnew。
上述的式(1)-式(11)代表了常规意义上,相关损失模型以及场景约简模型。
将综合优化场景简化方法应用于求解包含风力发电和光伏发电的微电网考虑关联性的经济运行优化,这是一个典型的多随机变量规划问题。
目标函数的设计是使包含一台常规发电机组DG、三台风力发电机(WT1、WT2、WT3)、两台光伏发电设备(PV1、PV2)和电池(BAT)的微型电网的运行成本最小化。微电网通过静态开关PCC与外部电网相连。整个调度周期为一天,调度间隔Δt为一小时。
PPEMin≤PPE(t)≤PPEMax, (12c)
PDGMin≤PDG(t)≤PDGMax, (12d)
-RdownΔt≤PDG(t)-PDG(t-1)≤RupΔt, (12e)
PBATMin≤PBAT(t)≤PBATMax, (12f)
EBATMin≤EBAT(t)≤EBATMax (12g)
EBAT(t)=EBAT(t-1)+ηPBAT(t)Δt, (12j)
CDGG(t)=aPDG(t)2+bPDG(t)+c, (12l)
CDGM(t)=kDGMPDG(t), (12m)
其中,CDGG、CDGM、CDGP分别表示DG的发电燃料成本、维护成本和污染排放成本。CWTM、CPVM、CBATM分别表示WT、PV和BAT的维护成本。CPE表示能量相互作用的代价。(12b)–(12g)是功率平衡约束,微电网与外部电网相互作用功率的上限PPEMax和下限PPEMin,DG输出功率的上限PDGMax和下限PDGMin,DG的系数Rup和Rdown的斜坡速率约束,电池充放电功率的上限PBATMax和下限PBATMin,电池容量的上限EBATMax和下限EBATMin。
(12h)表示光伏发电模型,其中Ri、Si和为第i个光伏的输出功率、太阳辐照度、总面积和效率。主要取决于太阳辐照度。小时辐照度Rpv1和Rpv2的概率分布模型为风机的输出功率模型,其中和分别为第i个WT的输出功率和额定功率。和是第i个WT的切入速度、额定速度和切断速度。主要取决于风速。每小时风速的概率分布模型为电池充放电模型,其中PBAT(t)和EBAT(t)分别表示电池当前的功率和电流容量。EBAT(t-1)表示电池在最后时刻的容量。当电池处于充(放电)状态时,电池效率η取ηc(ηd)值。
另外,前面提到的成本项目用模型(12l)–(12r)来计算,其中a、b、c是CDGG的系数。α、β,γ,ξ是CDGP的系数。kDGM和kBATM是CDGM和CBATM的系数,分别是.Cpp,Csp分别是电力的购买价格和销售价格。和分别是和的系数。三种风速与两种太阳辐照度之间的关系直接从历史数据中获得。
根据现有条件,采用经验公式确定初始场景节点数:
其中n表示变量的个数,给定α,δ∈(0,1),假设α=0.05,δ=0.1。(12b)中的置信水平θ设为0.90。当初始场景集的大小在每个周期内不小于500时,问题(12)得到唯一的最优解。我们首先生成一个多周期场景集Ωt(t=1,2,…,24),每个周期有500个节点。
本申请提出了基于多随机变量最优约简模型的输电系统调度约简方法。为了提高多随机变量场景约简的性能,针对原场景中多个随机变量之间的相关性在约简后不能很好地保持的问题,提出了相关损失的概念。该模型的优化目标是选择一个具有代表性的场景子集,该子集不仅能使场景约简前后的关联损失最小化,而且能最大限度地提高原始场景集与简化场景集之间的相似度。整个模型通过一个用户定义的相关权重β来平衡这两个目标,而这个值不是通过优化过程得到的。
应该理解的是,虽然图1的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤以其它的顺序执行。而且,图1中的至少一部分步骤包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
实施例包括:
模块210,针对传统方法对原始场景中多个随机变量进行约简后,不能很好地保持其相关性的问题,首次提出了相关损失的概念;
模块220,在综合最优约简框架的基础上,提出了一种新的输电系统调度场景约简方法,该方法利用关联权重来平衡相关损失,并利用原始集与约简集之间的概率相似性来提高高维场景约简的性能;
模块230,该模型的优化目标是选择一个具有代表性的场景子集,该子集不仅能使场景约简前后的关联损失最小化,而且能最大限度地提高原始场景集与简化场景集之间的相似度。
优选地,
d维原始场景集Ω1中每两个随机变量θi和θj之间的相关系数:
原始场景集相关系数矩阵:
简化场景集相关系数矩阵:
其中,N1表示原始场景集Ω1的尺寸;d表示原始场景集Ω1的维数;θi和θj表示原始场景集Ω1中每两个随机变量;表示简化场景集的尺寸;ρij表示原始场景集Ω1中每两个随机变量θi和θj之间的相关系数;表示简化场景集每两个随机变量θi和θj之间的相关系数;表示第i个随机变量θi的第k个实现;是第i个随机变量θi的第k个实现;ρd表示原始场景集相关系数矩阵;表示简化场景集相关系数矩阵;Δρd表示ρd与的偏差矩阵。
优选地,所述考虑相关损失的综合最优方案简化框架为:
其中,表示按节点τ划分的聚类子集,不同子集之间不存在交集。所有的子集构成了通用集Ω1。然后用节点代替子集中的原始节点,并且所有节点构成简化集Ω1。上述场景约简框架中的目标函数主要包括两项,一项是概率相似性函数,另一项是约简集与原始集之间的相关损失都准备好了这两个项目的范围是0到1,归一化后它们之间没有数量级的差异。β被称为相关权重,整个场景简化模型通过调整β来平衡这两个目标。因此,β的取值范围为[0,1],不参与统一量级的运算。β的值决定了场景还原后关联保持的程度,也是决策者对关联损失的重视程度。大β倾向于选择保留关联精度高但相似度相对较低的场景,小β则保证了较高的相似度,但相关性存在一定程度的偏差。因此,β值的大小将直接影响到保存的场景集的质量和决策结果的精度。
优选地,为了便于理解,上述模型也写成:
优选地,框架扩展到多阶段情况是:
为了减少多级场景树,我们将具有相同父节点τt-1的子节点τt划分为若干个簇并用一个新的场景节点替换每个簇,然后中原节点的所有子节点都将变成新场景节点的子节点,我们假设(t=1,2,…,T)表示一组整体子节点τt包含在同一父节点τt-1中。然后,在每个场景约简后,所有子节点移动到新的父节点上,所有的集合构成了通用集合它代表了第(t-1)阶段所有新父节点下的子节点的完整集合,构成了t级场景空间
优选地,在构造了综合最优场景简化框架之后,提出了一种新的场景简化方法算法。
步骤1(第1阶段):设置N=N1,保留的场景集其对应的概率集定义相关损失矩阵Corrloss(i,j)=Corrloss(ξi,ξj),并设Corrloss=O(N×N);定义相似矩阵SIMN×N,SIM(i,j)=SIM(ξi,ξj),(i,j=1,2,…,N)。定义总减量目标矩阵SIMCorrN×N;
步骤2(阶段2):执行以下步骤:
步骤2.1(相似计算):按
计算Sim(ξi,ξj),得到SIMN×N。
步骤2.3(规范化操作):将矩阵SIMN×N和corrlosN×N中的元素正规化如下,得到矩阵Sim’N×N和Corrloss’N×N。
其中SIMmin和SIMmax分别对应于SIMN×N中的最大值和最小值;Corrlossmin和corrlosmax分别对应于Corrloss’N×N中的最大值和最小值;
步骤2.4(总约简目标值计算):根据SIMCorr(i,j)=Sim’(i,j)-βCorrloss’(i,j)计算综合约简目标,得到矩阵SIMCorr。
步骤2.5(最优再分配):求解单一阶段情况下的综合场景简化框架,找到与最大值对应的最佳场景对(ξa,ξb)(a,b=1,2,…,N)值为SIMCorrN×N;计算新场景的ξnew和pnew。
Claims (6)
1.基于多随机变量最优约简模型的输电系统调度约简方法,其特征在于,包括:
在综合最优约简框架的基础上,提出了输电系统调度场景约简方法,利用关联权重来平衡相关损失,并利用原始集与约简集之间的概率相似性来提高高维场景约简的性能;
模型的优化目标是选择一个具有代表性的场景子集,该子集使场景约简前后的关联损失最小化,最大限度地提高原始场景集与简化场景集之间的相似度。
2.根据权利要求1所述的基于多随机变量最优约简模型的输电系统调度约简方法,其特征在于,输电系统调度场景约简方法包括:
原始场景集相关系数矩阵:
简化场景集相关系数矩阵:
3.根据权利要求2所述的基于多随机变量最优约简模型的输电系统调度约简方法,其特征在于,所述的该方法利用关联权重来平衡相关损失,具体包括:
所述考虑相关损失的综合最优方案简化框架为:
其中,表示按节点τ划分的聚类子集,表示按节点τ'划分的与不同的聚类子集,不同子集之间不存在交集;所有的子集构成了通用集Ω1;然后用节点代替子集中的原始节点,表示与节点不同的从属于约简集的节点,并且所有节点构成简化集Ω1;上述场景约简框架中的目标函数包括两项,一项是概率相似性函数,另一项是约简集与原始集之间的相关损失都准备好了这两个项目的范围是0到1,归一化后它们之间没有数量级的差异;β被称为相关权重,整个场景简化模型通过调整β来平衡这两个目标;因此,β的取值范围为[0,1],不参与统一量级的运算;β的值决定了场景还原后关联保持的程度,也是决策者对关联损失的重视程度;大β倾向于选择保留关联精度高但相似度相对较低的场景,小β则保证了较高的相似度,但相关性存在一定程度的偏差;因此,β值的大小将直接影响到保存的场景集的质量和决策结果的精度。
5.根据权利要求4所述的基于多随机变量最优约简模型的输电系统调度约简方法,其特征在于,所述的框架扩展到多阶段情况是:
为了减少多级场景树,我们将具有相同父节点τt-1的子节点τt划分为若干个簇并用一个新的场景节点替换每个簇,然后中原节点的所有子节点都将变成新场景节点的子节点,我们假设表示一组整体子节点τt包含在同一父节点τt-1中;然后,在每个场景约简后,所有子节点移动到新的父节点上,所有的集合构成了通用集合它代表了第(t-1)阶段所有新父节点下的子节点的完整集合,构成了t级场景空间
6.根据权利要求5所述的基于多随机变量最优约简模型的输电系统调度约简方法,其特征在于,所述的综合场景简化框架中,在构造了综合最优场景简化框架之后,场景简化方法算法具体为:
步骤1,第1阶段:设置N=N1,保留的场景集其对应的概率集定义相关损失矩阵Corrloss(i,j)=Corrloss(ξi,ξj),并设Corrloss=O(N×N);定义相似矩阵SIMN×N,SIM(i,j)=SIM(ξi,ξj),(i,j=1,2,…,N);定义总减量目标矩阵SIMCorrN×N;
步骤2,第2阶段:执行以下步骤:
步骤2.1,相似计算:按
k表示场景向量中的第k个随机变量,即场景集维度,d表示场景向量中随机变量的总数;k和i的位置上下交换,表示的含义也上下交换;i,j表示场景集中对应的场景向量,表示第i个场景向量中的第k个随机变量,表示两个场景的每个维度的距离,表示整个场景集中每个维度的最大值和最小值之差,p表示场景概率,ε是一个忽略的小常数,它使分数的分子不被除以零;
计算Sim(ξi,ξj),得到SIMN×N;
步骤2.3,规范化操作:将矩阵SIMN×N和corrlosN×N中的元素正规化如下,得到矩阵Sim’N×N和Corrloss’N×N;
其中SIMmin和SIMmax分别对应于SIMN×N中的最大值和最小值;Corrlossmin和corrlosmax分别对应于Corrloss’N×N中的最大值和最小值;
步骤2.4,总约简目标值计算:根据SIMCorr(i,j)=Sim’(i,j)-βCorrloss’(i,j)计算综合约简目标,得到矩阵SIMCorr;
步骤2.5,最优再分配:求解单一阶段情况下的综合场景简化框架,找到与最大值对应的最佳场景对(ξa,ξb)(a,b=1,2,…,N)值为SIMCorrN×N;计算新场景的ξnew和pnew;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111094184.9A CN113793040A (zh) | 2021-09-17 | 2021-09-17 | 基于多随机变量最优约简模型的输电系统调度约简方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111094184.9A CN113793040A (zh) | 2021-09-17 | 2021-09-17 | 基于多随机变量最优约简模型的输电系统调度约简方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113793040A true CN113793040A (zh) | 2021-12-14 |
Family
ID=78878794
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111094184.9A Pending CN113793040A (zh) | 2021-09-17 | 2021-09-17 | 基于多随机变量最优约简模型的输电系统调度约简方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113793040A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109978404A (zh) * | 2019-04-04 | 2019-07-05 | 国网经济技术研究院有限公司 | 计及不确定性因素与场景削减的输电通道扩展规划方法 |
CN111416352A (zh) * | 2020-04-29 | 2020-07-14 | 华北电力大学 | 一种多能源耦合系统的调度方法及计算设备 |
CN112001410A (zh) * | 2020-07-06 | 2020-11-27 | 北京农业信息技术研究中心 | 一种振动光谱维数约简方法及系统 |
CN112271731A (zh) * | 2020-10-29 | 2021-01-26 | 合肥工业大学 | 一种风电功率多时段时间序列场景的生成及消减方法 |
-
2021
- 2021-09-17 CN CN202111094184.9A patent/CN113793040A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109978404A (zh) * | 2019-04-04 | 2019-07-05 | 国网经济技术研究院有限公司 | 计及不确定性因素与场景削减的输电通道扩展规划方法 |
CN111416352A (zh) * | 2020-04-29 | 2020-07-14 | 华北电力大学 | 一种多能源耦合系统的调度方法及计算设备 |
CN112001410A (zh) * | 2020-07-06 | 2020-11-27 | 北京农业信息技术研究中心 | 一种振动光谱维数约简方法及系统 |
CN112271731A (zh) * | 2020-10-29 | 2021-01-26 | 合肥工业大学 | 一种风电功率多时段时间序列场景的生成及消减方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Short-term forecasting of wind power generation based on the similar day and Elman neural network | |
Huang et al. | A hybrid method for one-day ahead hourly forecasting of PV power output | |
CN107230003A (zh) | 一种新能源发电系统的功率预测方法 | |
CN110866633A (zh) | 一种基于svr支持向量回归的微电网超短期负荷预测方法 | |
CN114971048A (zh) | 一种零碳园区综合能源规划仿真方法、系统和计算机设备 | |
CN107565880A (zh) | 优化型风光互补混合发电系统 | |
Zhang et al. | Short term load forecasting based on IGSA-ELM algorithm | |
CN114358378A (zh) | 一种用于考虑需量管理的用户侧储能优化配置系统及方法 | |
CN117332963A (zh) | 一种源网荷储协同的虚拟电厂动态优化调度方法及系统 | |
CN113793040A (zh) | 基于多随机变量最优约简模型的输电系统调度约简方法 | |
CN114580298A (zh) | 一种基于rbf-isbo的微电网优化调度方法及系统 | |
CN112178839B (zh) | 一种光伏蓄冰空调预测控制方法及使用其的光伏蓄冰空调 | |
CN115021269A (zh) | 基于数据驱动的两阶段最优潮流求解方法 | |
Younesi et al. | Energy loss minimization with parallel implementation of marine predators algorithm | |
Zhao et al. | Study of short-term load forecasting in big data environment | |
Xu et al. | An analysis on time intervals and forecast horizons for short-term solar PV forecasting | |
Ma et al. | Photovoltaic time series aggregation method based on K-means and MCMC algorithm | |
CN111859780A (zh) | 一种微电网运行优化方法和系统 | |
Ghiassi et al. | On the use of AI as a requirement for improved insolation forecasting accuracy to achieve optimized PV utilization | |
CN116599087B (zh) | 一种储能系统的调频策略优化方法及系统 | |
CN117955133B (zh) | 一种配电网储能优化配置方法及系统 | |
Guo et al. | Photovoltaic Power Prediction Based on Optimized Back Propagation Neural Network Model | |
Carutasiu et al. | Forecasting solar radiation using a deep long short-term memory artificial neural network | |
CN117522025A (zh) | 一种输电和储能系统协调投资方法及系统 | |
Kong et al. | A Novel Storage Energy Dispatch Improvement Model Based on Chameleon Swarm Algorithm |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20211214 |