CN115622056B - 一种基于线性加权和选解法的储能优化配置方法及系统 - Google Patents
一种基于线性加权和选解法的储能优化配置方法及系统 Download PDFInfo
- Publication number
- CN115622056B CN115622056B CN202211636246.9A CN202211636246A CN115622056B CN 115622056 B CN115622056 B CN 115622056B CN 202211636246 A CN202211636246 A CN 202211636246A CN 115622056 B CN115622056 B CN 115622056B
- Authority
- CN
- China
- Prior art keywords
- energy storage
- objective function
- weight
- target
- energy
- 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
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- H02J3/28—Arrangements for balancing of the load in a network by storage of energy
-
- 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
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/381—Dispersed generators
-
- 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
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/388—Islanding, i.e. disconnection of local power supply from the network
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- 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
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- 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
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
-
- 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
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
- H02J2300/22—The renewable source being solar energy
- H02J2300/24—The renewable source being solar energy of photovoltaic origin
-
- 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
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
- H02J2300/28—The renewable source being wind energy
-
- 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
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/40—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation wherein a plurality of decentralised, dispersed or local energy generation technologies are operated simultaneously
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Power Engineering (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开一种基于线性加权和选解法的储能优化配置方法及系统,方法包括:构建储能配置方案的多目标函数及确定多目标函数的初始权重;将储能配置方案的Pareto最优解集作为输入,Pareto最优解集中的协调最优解作为输出,对BP神经网络进行训练,得到目标求解模型;根据目标求解模型计算各目标函数对应的SHAP值,并根据SHAP值求解多目标函数的修正权重;对初始权重和修正权重进行加权平均,得到多目标函数的目标权重,并根据目标权重重新选取Pareto最优解集中的协调最优解,作为最终的储能配置方案。在约束条件允许的范围内,最大考虑权重较大的目标函数最优化,使储能配置结果更优。
Description
技术领域
本发明属于储能优化技术领域,尤其涉及一种基于线性加权和选解法的储能优化配置方法及系统。
背景技术
目前,关于微电网中储能容量配置的研究主要集中在模型及求解算法方面。基于改进鲸鱼算法的微网复合储能系统容量优化配置中同时考虑储能系统的全寿命周期成本、可再生能源出力平滑和微电网联络线的利用率,建立混合储能容量优化配置模型,采用改进鲸鱼优化算法进行求解。兼顾可靠性与经济性的孤岛型光储微电网容量配置方法中考虑微电网的相关指标,对其进行可靠性与经济性评估,实现可靠性与总成本的最优折中。上述方法在处理储能优化配置多目标问题时,均将多目标问题转化为单目标问题进行求解,缺少决策方案的可选择性。且在处理多目标函数的权重值时,算法主观性较强,不同的算法往往得到差别较大的权重值,一致性不能得到保证。
发明内容
本发明提供一种基于线性加权和选解法的储能优化配置方法及系统,用于解决配置过程中由于指标重要性程度不同面临着指标权重分配不合理的技术问题。
第一方面,本发明提供一种基于线性加权和选解法的储能优化配置方法,包括:构建储能配置方案的多目标函数,并确定所述多目标函数的初始权重,其中,所述多目标函数包括经济性目标函数、可靠性目标函数、能源利用目标函数、技术性目标函数以及环保性目标函数;考虑所述多目标函数,在有功平衡约束及储能约束的限制下,根据改进的多目标粒子群算法对储能系统的容量及位置进行优化,得到储能配置方案的Pareto最优解集;基于线性加权和选解法选取所述Pareto最优解集中的协调最优解;将储能配置方案的Pareto最优解集作为输入,以线性加权和选解法选取所述Pareto最优解集中的协调最优解作为输出,对BP神经网络进行训练,得到目标求解模型;根据所述目标求解模型计算各目标函数对应的SHAP值,并根据所述各目标函数对应的SHAP值求解多目标函数的修正权重;对所述多目标函数的初始权重和所述多目标函数的修正权重进行加权平均,得到多目标函数的目标权重,并根据所述目标权重重新选取所述Pareto最优解集中的协调最优解,作为最终的储能配置方案。
第二方面,本发明提供一种基于线性加权和选解法的储能优化配置系统,包括:构建模块,配置为构建储能配置方案的多目标函数,并确定所述多目标函数的初始权重,其中,所述多目标函数包括经济性目标函数、可靠性目标函数、能源利用目标函数、技术性目标函数以及环保性目标函数;优化模块,配置为考虑所述多目标函数,在有功平衡约束及储能约束的限制下,根据改进的多目标粒子群算法对储能系统的容量及位置进行优化,得到储能配置方案的Pareto最优解集;选取模块,配置为基于线性加权和选解法选取所述Pareto最优解集中的协调最优解;训练模块,配置为将储能配置方案的Pareto最优解集作为输入,以线性加权和选解法选取所述Pareto最优解集中的协调最优解作为输出,对BP神经网络进行训练,得到目标求解模型;计算模块,配置为根据所述目标求解模型计算各目标函数对应的SHAP值,并根据所述各目标函数对应的SHAP值求解多目标函数的修正权重;输出模块,配置为对所述多目标函数的初始权重和所述多目标函数的修正权重进行加权平均,得到多目标函数的目标权重系数,并根据所述目标权重系数重新选取所述Pareto最优解集中的协调最优解,作为最终的储能配置方案。
第三方面,提供一种电子设备,其包括:至少一个处理器,以及与所述至少一个处理器通信连接的存储器,其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行本发明任一实施例的基于线性加权和选解法的储能优化配置方法的步骤。
第四方面,本发明还提供一种计算机可读存储介质,其上存储有计算机程序,所述程序指令被处理器执行时,使所述处理器执行本发明任一实施例的基于线性加权和选解法的储能优化配置方法的步骤。
本申请的基于线性加权和选解法的储能优化配置方法及系统,基于储能系统的相关参数及约束条件构建多目标函数,使用熵权法计算各目标函数的初始权重,在此基础上引入SHAP值,考虑各目标函数之间的“边际效应”,对目标函数权重进行分析,使权重分配结果更加准确,权重越大的目标函数代表其重要性程度越高,针对权重较大的目标函数,在储能配置过程中,可以将其目标函数所占比例提升,在约束条件允许的范围内,最大考虑权重较大的目标函数最优化,使储能配置结果更优。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图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他的附图。
图1为本发明一实施例提供的一种基于线性加权和选解法的储能优化配置方法的流程图;
图2为本发明一实施例提供的一种基于线性加权和选解法的储能优化配置系统的结构框图;
图3是本发明一实施例提供的电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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他实施例,都属于本发明保护的范围。
请参阅图1,其示出了本申请的一种基于线性加权和选解法的储能优化配置方法的流程图。
如图1所示,基于线性加权和选解法的储能优化配置方法具体包括以下步骤:
步骤S101,构建储能配置方案的多目标函数,并确定所述多目标函数的初始权重,其中,所述多目标函数包括经济性目标函数、可靠性目标函数、能源利用目标函数、技术性目标函数以及环保性目标函数。
在本实施例中,基于储能系统的相关参数及约束条件,建立储能配置方案的多目标函数,并确定多目标函数的初始权重。
需要说明的是,确定多目标函数的初始权重具体为:设有m类特征参量数据分别为,其中每种参量,有n个量测值,利用最大最小法对各指标数据进行标准化计算:
,
式中,为标准化结果,为第i种特征参量的第j个量测值,为m类特征参量数据中n个量测值的最小值,为m类特征参量数据中n个量测值的最大值;
第j个目标函数的重要性熵值为:
,
,
式中,为数据参量i标准化后占所有数据参量的权重比,为每种参量量测值个数,为特征参量数据的类数;
,
式中,为j个目标函数的初始权重。
具体地,构建经济性目标函数的表达式为:
,
式中,为优化配置比,定义为多种能源成本总和与单一能源供能平均成本的比值,值越小时,表示综合能源系统的经济性越高,为储能配置成本,包括化石燃料成本、氢能成本、储能设备投资成本、其他设备投资成本和设备运行维护成本,为储能配置综合收益,包括能源交互收益和储能服务收益,为储能配置综合收益的权重值,为储能配置成本的权重值,为大于零的整数,用于避免对数函数变量为零;
构建可靠性目标函数的表达式为:
,
式中,分别为系统互补性的权重值、平均释放深度的权重值、能源供应不足率的权重值、能源设备故障率的权重值、可控负荷占比的权重值,分别为系统互补性、平均释放深度、能源供应不足率、能源设备故障率、可控负荷占比;
构建能源利用目标函数的表达式为:
,
式中,, , 分别为氢能利用率的权重值、弃风电量利用率的权重值和弃光电量减少率的权重值,分别为一次能源利用率、氢能利用率、弃风电量利用率和弃光电量减少率;
构建技术性目标函数的表达式为:
,
式中,为储能削峰填谷率的权重值,为峰谷差率的权重值,为电压稳压率的权重值,为频率偏差率的权重值,为出力波动率的权重值,为储能占比、为储能削峰填谷率,为峰谷差率,为电压稳压率,为频率偏差率,为出力波动率;
构建环保性目标函数的表达式为:
,
式中,为二氧化碳减排量的权重值,为可再生能源产电量占比的权重值,为清洁能源消纳率的权重值, 为可再生能源产电量占比,为大气污染物减排量,为二氧化碳减排量,为清洁能源消纳率。
步骤S102,考虑所述多目标函数,在有功平衡约束及储能约束的限制下,根据改进的多目标粒子群算法对储能系统的容量及位置进行优化,得到储能配置方案的Pareto最优解集。
在本实施例中,考虑多目标函数,在有功平衡约束及储能约束的限制下,并针对标准MOPSO算法粒子过早聚集致使多样性差且易落入局部最优的缺陷进行改进,将准对立学习策略与自适应粒子分裂策略与原算法有机结合。根据改进的多目标粒子群算法对储能系统的容量及位置进行优化。
具体地,其中,所述有功平衡约束的表达式为:
,
式中,为t时刻流入网络的有功功率,为分布式电源在t时刻的有功功率,为储能系统t时刻的充电功率或放电功率,放电为正,为t时刻系统总负荷,为t时刻系统总网损;
所述储能约束的表达式为:
,
式中,为储能充电功率或放电功率的下限,储能充电功率或放电功率的上限,为储能的荷电状态,为储能的荷电状态初始值。
需要说明的是,考虑储能配置方案经济性目标函数、可靠性目标函数、能源利用目标函数、技术性目标函数和环保性目标函数,在有功平衡约束及储能约束的限制下,采用改进的多目标粒子群算法对储能系统的容量及位置进行优化,同时优化储能的最佳运行策略。
步骤S103,基于线性加权和选解法选取所述Pareto最优解集中的协调最优解。
在本实施例中,基于线性加权和选解法选取所述Pareto最优解集中的协调最优解;为不同多目标函数选择考虑各目标函数重要程度、单位、量级等差异的权重系数,将Pareto前沿上线性加权和最小的点称为最小加权和值点,作为多目标函数的协调最优解。
步骤S104,将储能配置方案的Pareto最优解集作为输入,以线性加权和选解法选取所述Pareto最优解集中的协调最优解作为输出,对BP神经网络进行训练,得到目标求解模型。
在本实施例中,步骤S1,网络初始化;初始化神经网络输入层、隐藏层和输出层节点个数,确定模拟退火算法和遗传算法相关参数,将储能配置方案的Pareto最优解集作为输入,以线性加权和选解法选取所述Pareto最优解集中的协调最优解作为输出;步骤S2,遗传算法产生个体;对初始神经网络连接权值个体进行二进制编码,使用一组二进制数表示一组网络权值分布,对二进制个体进行选择、交叉、变异操作产生新的个体;步骤S3,模拟退火算法更新个体;根据模拟退火 Metropolis 概率标准剔除一部分新个体后,计算个体适应度,判断是否满足适应度要求,不满足转步骤S2;步骤S4,训练神经网络;代入步骤S1-步骤S3迭代过程产生的网络权值,输入数据对BP神经网络进行训练,计算训练结果均方差,直至满足误差允许范围,得到目标求解模型。
步骤S105,根据所述目标求解模型计算各目标函数对应的SHAP值,并根据所述各目标函数对应的SHAP值求解多目标函数的修正权重。
在本实施例中,判断目标函数组合是否满足SHAP法的使用条件,如不满足,则重新组合,直至满足条件为止,SHAP法的使用条件公式如下所示:
,
式中,为储能配置过程中任意目标函数组合的贡献值,表示为一个空的组合,和代表两个目标函数组合,为目标函数组合和目标函数组合同时作用于储能配置系统的贡献值,为目标函数组合作用于储能配置系统的贡献值,为目标函数组合作用于储能配置系统的贡献值;
通过训练好的BP神经网络,计算每一个目标函数对应的SHAP值,其计算过程如下:
采集储能配置过程中所有的样本集,中有个样本,取其第个样本为,第个样本的第个目标函数为,为第个样本的第个目标函数在储能配置过程中的贡献值,即SHAP值,计算公式为:
,式中,为样本所有目标函数形成的子集,为样本中任意多个目标函数形成的子集,为子集中所包括的目标函数在储能配置过程中共同组合所产生的贡献值,为子集中的目标函数与第个样本第个目标函数在储能配置过程中共同组合所产生的贡献值,为目标函数在储能配置过程中为该组合带来的贡献值,为第个样本的第个目标函数的SHAP值,为子集中所含元素个数,为子集中所含元素个数;
对所有样本的目标函数累加求均值即为目标函数的SHAP值,计算公式为:
,
式中,为样本总数;
根据每个目标函数在储能配置过程中的贡献值以及所有目标函数在储能配置过程中总的贡献值计算每个目标函数在储能配置过程中所占比重,计算公式为:
,
式中,为目标函数在储能配置过程中所占比重,即多目标函数的修正权重,为第i个目标函数在储能配置中的贡献值,z为目标函数的总数。
步骤S106,对所述多目标函数的初始权重和所述多目标函数的修正权重进行加权平均,得到多目标函数的目标权重,并根据所述目标权重重新选取所述Pareto最优解集中的协调最优解,作为最终的储能配置方案。
综上,本申请的方法,引入该井多目标粒子群算法用于求解,该算法在种群更新过程中引入准对立学习策略以增强解的覆盖范围和收敛速度,并根据迭代次数采用自适应分裂策略分离过早聚集的粒子,从而增强粒子多样性,保证了算法跳出局部最优的能力;利用线性加权和选解法很方便地找到其协调最优解,它克服了最大弯曲角选解法选解随机性的缺点,对于更高维多目标优化的协调最优解选取问题,线性加权和选解法同样适用;计算SHAP值修正结果,不仅具有黑匣子局部估计优势,而且具有基于博弈论的一致性和局部准确性的理论保证,使得SHAP比数据集的特征重要性更有可信度。
请参阅图2,其示出了本申请的一种基于线性加权和选解法的储能优化配置系统的结构框图。
如图2所示,储能优化配置系统200,包括构建模块210、优化模块220、选取模块230、训练模块240、计算模块250以及输出模块260。
其中,构建模块210,配置为构建储能配置方案的多目标函数,并确定所述多目标函数的初始权重,其中,所述多目标函数包括经济性目标函数、可靠性目标函数、能源利用目标函数、技术性目标函数以及环保性目标函数;优化模块220,配置为考虑所述多目标函数,在有功平衡约束及储能约束的限制下,根据改进的多目标粒子群算法对储能系统的容量及位置进行优化,得到储能配置方案的Pareto最优解集;选取模块230,配置为基于线性加权和选解法选取所述Pareto最优解集中的协调最优解;训练模块240,配置为将储能配置方案的Pareto最优解集作为输入,以线性加权和选解法选取所述Pareto最优解集中的协调最优解作为输出,对BP神经网络进行训练,得到目标求解模型;计算模块250,配置为根据所述目标求解模型计算各目标函数对应的SHAP值,并根据所述各目标函数对应的SHAP值求解多目标函数的修正权重;输出模块260,配置为对所述多目标函数的初始权重和所述多目标函数的修正权重进行加权平均,得到多目标函数的目标权重系数,并根据所述目标权重系数重新选取所述Pareto最优解集中的协调最优解,作为最终的储能配置方案。
应当理解,图2中记载的诸模块与参考图1中描述的方法中的各个步骤相对应。由此,上文针对方法描述的操作和特征以及相应的技术效果同样适用于图2中的诸模块,在此不再赘述。
在另一些实施例中,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,所述程序指令被处理器执行时,使所述处理器执行上述任意方法实施例中的基于线性加权和选解法的储能优化配置方法;
作为一种实施方式,本发明的计算机可读存储介质存储有计算机可执行指令,计算机可执行指令设置为:
构建储能配置方案的多目标函数,并确定所述多目标函数的初始权重,其中,所述多目标函数包括经济性目标函数、可靠性目标函数、能源利用目标函数、技术性目标函数以及环保性目标函数;
考虑所述多目标函数,在有功平衡约束及储能约束的限制下,根据改进的多目标粒子群算法对储能系统的容量及位置进行优化,得到储能配置方案的Pareto最优解集;
基于线性加权和选解法选取所述Pareto最优解集中的协调最优解;
将储能配置方案的Pareto最优解集作为输入,以线性加权和选解法选取所述Pareto最优解集中的协调最优解作为输出,对BP神经网络进行训练,得到目标求解模型;
根据所述目标求解模型计算各目标函数对应的SHAP值,并根据所述各目标函数对应的SHAP值求解多目标函数的修正权重;
对所述多目标函数的初始权重和所述多目标函数的修正权重进行加权平均,得到多目标函数的目标权重,并根据所述目标权重重新选取所述Pareto最优解集中的协调最优解,作为最终的储能配置方案。
计算机可读存储介质可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据基于线性加权和选解法的储能优化配置系统的使用所创建的数据等。此外,计算机可读存储介质可以包括高速随机存取存储器,还可以包括存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中,计算机可读存储介质可选包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至基于线性加权和选解法的储能优化配置系统。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
图3是本发明实施例提供的电子设备的结构示意图,如图3所示,该设备包括:一个处理器310以及存储器320。电子设备还可以包括:输入装置330和输出装置340。处理器310、存储器320、输入装置330和输出装置340可以通过总线或者其他方式连接,图3中以通过总线连接为例。存储器320为上述的计算机可读存储介质。处理器310通过运行存储在存储器320中的非易失性软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例基于线性加权和选解法的储能优化配置方法。输入装置330可接收输入的数字或字符信息,以及产生与基于线性加权和选解法的储能优化配置系统的用户设置以及功能控制有关的键信号输入。输出装置340可包括显示屏等显示设备。
上述电子设备可执行本发明实施例所提供的方法,具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节,可参见本发明实施例所提供的方法。
作为一种实施方式,上述电子设备应用于基于线性加权和选解法的储能优化配置系统中,用于客户端,包括:至少一个处理器;以及,与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够:
构建储能配置方案的多目标函数,并确定所述多目标函数的初始权重,其中,所述多目标函数包括经济性目标函数、可靠性目标函数、能源利用目标函数、技术性目标函数以及环保性目标函数;
考虑所述多目标函数,在有功平衡约束及储能约束的限制下,根据改进的多目标粒子群算法对储能系统的容量及位置进行优化,得到储能配置方案的Pareto最优解集;
基于线性加权和选解法选取所述Pareto最优解集中的协调最优解;
将储能配置方案的Pareto最优解集作为输入,以线性加权和选解法选取所述Pareto最优解集中的协调最优解作为输出,对BP神经网络进行训练,得到目标求解模型;
根据所述目标求解模型计算各目标函数对应的SHAP值,并根据所述各目标函数对应的SHAP值求解多目标函数的修正权重;
对所述多目标函数的初始权重和所述多目标函数的修正权重进行加权平均,得到多目标函数的目标权重,并根据所述目标权重重新选取所述Pareto最优解集中的协调最优解,作为最终的储能配置方案。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (9)
1.一种基于线性加权和选解法的储能优化配置方法,其特征在于,包括:
构建储能配置方案的多目标函数,并确定所述多目标函数的初始权重,其中,所述多目标函数包括经济性目标函数、可靠性目标函数、能源利用目标函数、技术性目标函数以及环保性目标函数;
考虑所述多目标函数,在有功平衡约束及储能约束的限制下,根据改进的多目标粒子群算法对储能系统的容量及位置进行优化,得到储能配置方案的Pareto最优解集;
基于线性加权和选解法选取所述Pareto最优解集中的协调最优解;
将储能配置方案的Pareto最优解集作为输入,以线性加权和选解法选取所述Pareto最优解集中的协调最优解作为输出,对BP神经网络进行训练,得到目标求解模型;
根据所述目标求解模型计算各目标函数对应的SHAP值,并根据所述各目标函数对应的SHAP值求解多目标函数的修正权重;
对所述多目标函数的初始权重和所述多目标函数的修正权重进行加权平均,得到多目标函数的目标权重,并根据所述目标权重重新选取所述Pareto最优解集中的协调最优解,作为最终的储能配置方案。
2.根据权利要求1所述的一种基于线性加权和选解法的储能优化配置方法,其特征在于,其中,构建经济性目标函数的表达式为:
,
式中,为优化配置比,定义为多种能源成本总和与单一能源供能平均成本的比值,值越小时,表示综合能源系统的经济性越高,为储能配置成本,包括化石燃料成本、氢能成本、储能设备投资成本、其他设备投资成本和设备运行维护成本,为储能配置综合收益,包括能源交互收益和储能服务收益,为储能配置综合收益的权重值,为储能配置成本的权重值,为大于零的整数;
构建可靠性目标函数的表达式为:
,
式中,分别为系统互补性的权重值、平均释放深度的权重值、能源供应不足率的权重值、能源设备故障率的权重值、可控负荷占比的权重值,分别为系统互补性、平均释放深度、能源供应不足率、能源设备故障率、可控负荷占比;
构建能源利用目标函数的表达式为:
,
式中,, , 分别为氢能利用率的权重值、弃风电量利用率的权重值和弃光电量减少率的权重值,分别为一次能源利用率、氢能利用率、弃风电量利用率和弃光电量减少率;
构建技术性目标函数的表达式为:
,
式中,为储能削峰填谷率的权重值,为峰谷差率的权重值,为电压稳压率的权重值,为频率偏差率的权重值,为出力波动率的权重值,为储能占比、为储能削峰填谷率,为峰谷差率,为电压稳压率,为频率偏差率,为出力波动率;
构建环保性目标函数的表达式为:
,
式中,为二氧化碳减排量的权重值,为可再生能源产电量占比的权重值,为清洁能源消纳率的权重值,为可再生能源产电量占比,为大气污染物减排量,为二氧化碳减排量,为清洁能源消纳率。
3.根据权利要求1所述的一种基于线性加权和选解法的储能优化配置方法,其特征在于,所述确定所述多目标函数的初始权重包括:
设有m类特征参量数据分别为,其中每种参量,有n个量测值,利用最大最小法对各指标数据进行标准化计算:
,
式中,为标准化结果,为第i种特征参量的第j个量测值,为m类特征参量数据中n个量测值的最小值,为m类特征参量数据中n个量测值的最大值;
第j个目标函数的重要性熵值为:
,
,
式中,为数据参量i标准化后占所有数据参量的权重比,为每种参量量测值个数,为特征参量数据的类数;
,
式中,为j个目标函数的初始权重。
4.根据权利要求1所述的一种基于线性加权和选解法的储能优化配置方法,其特征在于,其中,所述有功平衡约束的表达式为:
,
式中,为t时刻流入网络的有功功率,为分布式电源在t时刻的有功功率,为储能系统t时刻的充电功率或放电功率,放电为正,为t时刻系统总负荷,为t时刻系统总网损;
所述储能约束的表达式为:
,
式中,为储能充电功率或放电功率的下限,储能充电功率或放电功率的上限,为储能的荷电状态,为储能的荷电状态初始值。
5.根据权利要求1所述的一种基于线性加权和选解法的储能优化配置方法,其特征在于,所述将储能配置方案的Pareto最优解集作为输入,以线性加权和选解法选取所述Pareto最优解集中的协调最优解作为输出,对BP神经网络进行训练,得到目标求解模型,包括:
步骤S1,网络初始化;初始化神经网络输入层、隐藏层和输出层节点个数,确定模拟退火算法和遗传算法相关参数,将储能配置方案的Pareto最优解集作为输入,以线性加权和选解法选取所述Pareto最优解集中的协调最优解作为输出;
步骤S2,遗传算法产生个体;对初始神经网络连接权值个体进行二进制编码,使用一组二进制数表示一组网络权值分布,对二进制个体进行选择、交叉、变异操作产生新的个体;
步骤S3,模拟退火算法更新个体;根据模拟退火 Metropolis 概率标准剔除一部分新个体后,计算个体适应度,判断是否满足适应度要求,不满足转步骤S2;
步骤S4,训练神经网络;代入步骤S1-步骤S3迭代过程产生的网络权值,输入数据对BP神经网络进行训练,计算训练结果均方差,直至满足误差允许范围,得到目标求解模型。
6.根据权利要求1所述的一种基于线性加权和选解法的储能优化配置方法,其特征在于,所述根据所述目标求解模型计算各目标函数对应的SHAP值,并根据所述各目标函数对应的SHAP值求解多目标函数的修正权重,包括:
采集储能配置过程中所有的样本集,中有个样本,取其第个样本为,第个样本的第个目标函数为,为第个样本的第个目标函数在储能配置过程中的贡献值,即SHAP值,计算公式为:
,
式中,为样本所有目标函数形成的子集,为样本中任意多个目标函数形成的子集,为子集中所包括的目标函数在储能配置过程中共同组合所产生的贡献值,为子集中的目标函数与第个样本第个目标函数在储能配置过程中共同组合所产生的贡献值,为目标函数在储能配置过程中为该组合带来的贡献值,为第个样本的第个目标函数的SHAP值,为子集中所含元素个数,为子集中所含元素个数;
对所有样本的目标函数累加求均值即为目标函数的SHAP值,计算公式为:
,
式中,为样本总数;
根据每个目标函数在储能配置过程中的贡献值以及所有目标函数在储能配置过程中总的贡献值计算每个目标函数在储能配置过程中所占比重,计算公式为:
,
式中,为目标函数在储能配置过程中所占比重,即多目标函数的修正权重,为第i个目标函数在储能配置中的贡献值,z为目标函数的总数。
7.一种基于线性加权和选解法的储能优化配置系统,其特征在于,包括:
构建模块,配置为构建储能配置方案的多目标函数,并确定所述多目标函数的初始权重,其中,所述多目标函数包括经济性目标函数、可靠性目标函数、能源利用目标函数、技术性目标函数以及环保性目标函数;
优化模块,配置为考虑所述多目标函数,在有功平衡约束及储能约束的限制下,根据改进的多目标粒子群算法对储能系统的容量及位置进行优化,得到储能配置方案的Pareto最优解集;
选取模块,配置为基于线性加权和选解法选取所述Pareto最优解集中的协调最优解;
训练模块,配置为将储能配置方案的Pareto最优解集作为输入,以线性加权和选解法选取所述Pareto最优解集中的协调最优解作为输出,对BP神经网络进行训练,得到目标求解模型;
计算模块,配置为根据所述目标求解模型计算各目标函数对应的SHAP值,并根据所述各目标函数对应的SHAP值求解多目标函数的修正权重;
输出模块,配置为对所述多目标函数的初始权重和所述多目标函数的修正权重进行加权平均,得到多目标函数的目标权重系数,并根据所述目标权重系数重新选取所述Pareto最优解集中的协调最优解,作为最终的储能配置方案。
8.一种电子设备,其特征在于,包括:至少一个处理器,以及与所述至少一个处理器通信连接的存储器,其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1至6任一项所述的方法。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现权利要求1至6任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211636246.9A CN115622056B (zh) | 2022-12-20 | 2022-12-20 | 一种基于线性加权和选解法的储能优化配置方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211636246.9A CN115622056B (zh) | 2022-12-20 | 2022-12-20 | 一种基于线性加权和选解法的储能优化配置方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115622056A CN115622056A (zh) | 2023-01-17 |
CN115622056B true CN115622056B (zh) | 2023-04-04 |
Family
ID=84880433
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211636246.9A Active CN115622056B (zh) | 2022-12-20 | 2022-12-20 | 一种基于线性加权和选解法的储能优化配置方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115622056B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116093995B (zh) * | 2023-03-07 | 2023-07-14 | 国网江西省电力有限公司经济技术研究院 | 一种配电系统多目标网络重构方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107967553A (zh) * | 2017-11-14 | 2018-04-27 | 清华大学 | 绝热压缩空气储能系统的参数配置方法及装置 |
CN111064209A (zh) * | 2019-12-09 | 2020-04-24 | 国网江苏省电力有限公司 | 一种综合储能优化配置方法和系统 |
US20210365841A1 (en) * | 2020-05-22 | 2021-11-25 | Kiarash SHALOUDEGI | Methods and apparatuses for federated learning |
CN115173453A (zh) * | 2022-08-02 | 2022-10-11 | 华北电力大学(保定) | 一种储能辅助电网调峰的优化配置方法 |
CN115173433A (zh) * | 2021-04-07 | 2022-10-11 | 国网山东省电力公司青岛供电公司 | 一种平抑风电波动的储能容量优化方法及系统 |
-
2022
- 2022-12-20 CN CN202211636246.9A patent/CN115622056B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107967553A (zh) * | 2017-11-14 | 2018-04-27 | 清华大学 | 绝热压缩空气储能系统的参数配置方法及装置 |
CN111064209A (zh) * | 2019-12-09 | 2020-04-24 | 国网江苏省电力有限公司 | 一种综合储能优化配置方法和系统 |
US20210365841A1 (en) * | 2020-05-22 | 2021-11-25 | Kiarash SHALOUDEGI | Methods and apparatuses for federated learning |
CN115173433A (zh) * | 2021-04-07 | 2022-10-11 | 国网山东省电力公司青岛供电公司 | 一种平抑风电波动的储能容量优化方法及系统 |
CN115173453A (zh) * | 2022-08-02 | 2022-10-11 | 华北电力大学(保定) | 一种储能辅助电网调峰的优化配置方法 |
Non-Patent Citations (3)
Title |
---|
Yanmei Tang.Research on Topology Design of User Side Energy Interconnection Network in Typical Environment.《2022 China International Conference on Electricity Distribution (CICED)》.2022,全文. * |
刘宇.风电系统功率预测与模糊优化控制研究.《中国优秀硕士学位论文全文数据库》.2022,全文. * |
朱文广.基于区块链的配电网电力交易方法.《电力系统保护与控制》.2018,全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN115622056A (zh) | 2023-01-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11581740B2 (en) | Method, system and storage medium for load dispatch optimization for residential microgrid | |
CN106532778B (zh) | 一种计算分布式光伏并网最大准入容量的方法 | |
CN110956324B (zh) | 基于改进的moea/d的主动配电网日前高维目标优化调度方法 | |
Wu et al. | Optimal allocation of microgrid considering economic dispatch based on hybrid weighted bilevel planning method and algorithm improvement | |
CN113783224A (zh) | 一种考虑多种分布式能源运行的配电网双层优化规划方法 | |
CN115622056B (zh) | 一种基于线性加权和选解法的储能优化配置方法及系统 | |
CN115986728A (zh) | 一种计及不确定性因素的电网态势预测方法与终端 | |
CN111008790A (zh) | 一种水电站群发电调度规则提取方法 | |
CN116826710A (zh) | 基于负荷预测的削峰策略推荐方法、装置及存储介质 | |
Li et al. | Short term prediction of photovoltaic power based on FCM and CG-DBN combination | |
CN108694475B (zh) | 基于混合模型的短时间尺度光伏电池发电量预测方法 | |
CN114971090A (zh) | 一种电供暖负荷预测方法、系统、设备和介质 | |
Xiao et al. | Integrated risk measurement and control for stochastic energy trading of a wind storage system in electricity markets | |
CN117060408B (zh) | 新能源发电预测方法及系统 | |
CN114611757A (zh) | 基于遗传算法与改进深度残差网络的电力系统短期负荷预测方法 | |
CN114037209A (zh) | 分布式光伏接入直流配电系统综合效益分析方法及装置 | |
CN112670982B (zh) | 一种基于奖励机制的微电网有功调度控制方法及系统 | |
CN113762591A (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及系统 | |
CN105119285A (zh) | 基于动态赋权的风储协调多目标优化控制方法 | |
CN117543537A (zh) | 一种代理购电用户电量预测方法、装置、存储介质 | |
Kell et al. | Exploring market power using deep reinforcement learning for intelligent bidding strategies | |
CN109586309B (zh) | 基于大数据自由熵理论和场景匹配的配电网无功优化方法 | |
CN114266186B (zh) | 一种空调能耗数据缺失值填补方法、设备及介质 | |
CN115879746A (zh) | 一种园区综合能源的规划策略分析方法、系统及电子设备 | |
Huang et al. | Power prediction method of distributed photovoltaic digital twin system based on GA-BP |
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 |