CN115912502A - 一种智能电网运营优化方法及装置 - Google Patents

Abstract

本申请涉及工程建设技术领域，具体而言，涉及一种智能电网运营优化方法及装置，可以解决如何通过充分考虑系统中的不确定性因素，综合运用发电侧和用户侧资源，降低可再生能源接入对电力系统的影响，促进可再生能源的消纳的问题。运营优化方法包括：获取光伏发电功率、风力风电功率及用户负荷需求；基于光伏发电功率、风力发电功率及用户负荷需求，结合约束条件，构建及约束电网调度目标函数，并根据优化算法对电网调度目标函数进行优化，得到最佳电网调度目标函数；基于最佳电网调度目标函数，确定在并网运行方式下，各新能源电源的最佳出力系数，以确定电网运行策略。

Description

一种智能电网运营优化方法及装置

技术领域

本申请涉及工程建设技术领域，具体而言，涉及一种智能电网运营优化方法及装置。

背景技术

智能电网就是电网的智能化，也被称为″电网2.0″，是建立在集成的、高速双向通信网络的基础上，通过先进的传感和测量技术、先进的设备技术、先进的控制方法以及先进的决策支持系统技术的应用，实现电网的可靠、安全、经济、高效、环境友好和使用安全的目标，其主要特征包括自愈、激励和保护用户、抵御攻击、提供满足用户需求的电能质量、容许各种不同发电形式的接入、启动电力市场以及资产的优化高效运行。

对于智能电网而言，随着智能电网的发展以及市场化的推进，用户用电行为变得越发复杂多变且呈现出较大的不确定性，并且随着新能源领域的不断发展，太阳能和风能作为一种绿色可再生能源在发电领域的比重不断增加，风电、光伏等可再生能源的接入将进一步增加系统运行中的不确定性，由于新能源本身的间歇性和波动性的特点，发电数据展现出很强的随机性和不确定性，大量新能源并入电网运行带来了诸多风险与隐患，对电力系统安全可靠运行提出了新的挑战

因此，通过充分考虑系统中的不确定性因素，综合运用发电侧和用户侧资源，降低可再生能源接入对电力系统的影响，促进可再生能源的消纳，是电力系统发展的客观要求。

发明内容

为了解决如何通过充分考虑系统中的不确定性因素，综合运用发电侧和用户侧资源，降低可再生能源接入对电力系统的影响，促进可再生能源的消纳的问题，本申请提供了一种智能电网运营优化方法及装置：

根据本申请实施例的一个方面，提供了一种智能电网运营优化方法，所述运营优化方法包括：

获取光伏发电功率、风力风电功率及用户负荷需求，所述光伏发电功率根据光伏出力特性及光伏影响因素信息得到，所述风力发电功率根据风力出力特性及风力影响因素信息得到，所述用户负荷需求根据用户用电特征得到；

基于所述光伏发电功率、风力发电功率及用户负荷需求，结合约束条件，构建及约束电网调度目标函数，并根据优化算法对所述电网调度目标函数进行优化，得到最佳电网调度目标函数；

基于所述最佳电网调度目标函数，确定在并网运行方式下，各新能源电源的最佳出力系数，以确定电网运行策略。

在一些实施例中，在所述光伏发电功率根据光伏出力特性及光伏影响因素信息得到的步骤中，还包括以下步骤：

获取光伏影响因素信息，所述光伏影响因素信息包括太阳辐照度、天气类型、相对湿度及大气温度；

基于所述光伏影响因素信息，获取光伏训练集，根据需要进行预测日期的天气预报，进行相似日筛选，所述光伏训练集即为所述相似日的历史数据和气象数据，

基于所述光伏训练集，通过随机森林法构建光伏发电功率预测模型，并使用所述光伏发电功率预测模型预测所述光伏发电功率。

在一些实施例中，所述光伏训练集包括晴天训练集、阴天训练集及雨雪天气训练集。

在一些实施例中，在所述风力发电功率根据风力出力特性及风力影响因素信息得到步骤中，还包括以下步骤：

获取风力影响因素信息，所述风力影响因素信息包括风速、风向、空气密度及温度；

基于所述风力影响因素信息，通过门控循环神经网络，预测所述风力发电功率。

在一些实施例中，在所述用户负荷需求根据用户用电特征得到步骤中，还包括以下步骤：

获取用户用电特征，所述用户用电特征包括用电量、用电设备种类、用电设备规格等及用电习惯；

基于所述用户用电特征，通过卷积门控循环网络，预测所述用户负荷需求。

在一些实施例中，在基于所述光伏发电功率、风力发电功率及用户负荷需求，结合约束条件，构建及约束电网调度目标函数步骤中，还包括以下步骤：

构建电网调度目标函数；

基于约束条件对所述电网调度目标函数进行约束，以优化所述电网调度目标函数。

在一些实施例中，所述约束条件包括功率平衡约束、新能源输出功率约束及电网传输功率约束。

在一些实施例中，所述优化算法包括松鼠搜索算法，所述松鼠搜索算法包括以下步骤：

根据所述松鼠搜索算法对所述电网调度目标函数进行随机初始化；

根据决策变量确定每个飞行松鼠的位置适应度，并将相应的值进行存储；

对所述电网调度目标函数进行迭代，计算每个飞行松鼠的适应值，并更新位置，达到最大迭代次数时，停止迭代，得到最佳电网调度目标函数。

在本申请实施例的另一个方面，提供了一种智能电网运营优化装置，所述装置包括：

采集模块，用于获取光伏发电功率、风力风电功率及用户负荷需求，所述光伏发电功率根据光伏出力特性及光伏影响因素信息得到，所述风力发电功率根据风力出力特性及风力影响因素信息得到，所述用户负荷需求根据用户用电特征得到；

计算模块，用于基于所述光伏发电功率、风力发电功率及用户负荷需求，结合约束条件，构建及约束电网调度目标函数，并根据优化算法对所述电网调度目标函数进行优化，得到最佳电网调度目标函数；

执行模块，用于基于所述最佳电网调度目标函数，确定在并网运行方式下，各新能源电源的最佳出力系数，以确定电网运行策略。

在一些实施例中，所述采集模块包括：

影响因素识别模块，用于分别针对风力发电模组和光伏发电模组进行光伏影响因素及风力影响因素的获取；

光伏发电功率预测模块，根据光伏出力特性，采取随机森林方法，对光伏发电功率进行预测；

风力发电功率预测模块，根据风电出力特性，采用门控循环神经网络方法，对风力发电功率进行预测；

用户负荷预测模块，结合用户用电特征挖掘，采用卷积门控循环网络对用户负荷需求进行科学预测。

本申请的有益效果；

1、通过对智能电网发电侧的不同发电方式均采用不同的预测方法分开进行功率预测，并且对用户侧的用户负荷需求也进行预测，能够提高源荷预测的精度，为智能电网一体化高效运营奠定基础。

2、构建了约束下的电网调度目标函数，并且考虑了新能源各组件出力份额以及用户侧负荷需求的优化运行方案，还采用了松鼠优化算法，创新性地选取具有稳定性强的特点的松鼠优化算法对电网系统的调度优化模型进行求解，得到最佳电网调度目标函数，以此根据电力市场来指导调度系统运行，可以充分提高电网系统的灵活性，提高资源利用率和电网系统运行效率，节约运营成本。

附图说明

为了更清楚地说明本申请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一简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1示出了本申请一实施例提供的运营优化方法的流程示意图；

图2示出了本申请另一实施例中获取光伏发电功率的流程示意图；

图3示出了本申请另一实施例中通过粒子群优化聚类算法的流程示意图；

图4示出了本申请另一实施例中获取风力发电功率的流程示意图；

图5示出了本申请另一实施例中获取用户负荷需求的流程示意图

图6示出了本申请另一实施例中构建电网调度目标函数的流程示意图；

图7示出了本申请另一实施例中优化电网调度目标函数的流程示意图；

图8示出了本申请一实施例提供的运营优化装置的结构示意图。

附图标记：400、运营优化装置；410、采集模块；411、影响因素识别模块；412、光伏发电功率预测模块；413、风力发电功率预测模块；414、用户负荷预测模块；420、计算模块；430、执行模块。

具体实施方式

为使本申请的目的、实施方式和优点更加清楚，下面将结合本申请示例性实施例中的附图，对本申请示例性实施方式进行清楚、完整地描述，显然，所描述的示例性实施例仅是本申请一部分实施例，而不是全部的实施例。

需要说明的是，本申请中对于术语的简要说明，仅是为了方便理解接下来描述的实施方式，而不是意图限定本申请的实施方式。除非另有说明，这些术语应当按照其普通和通常的含义理解。

本申请中说明书和权利要求书及上述附图中的术语″第一″、″第二″、″第三″等是用于区别类似或同类的对象或实体，而不必然意味着限定特定的顺序或先后次序，除非另外注明。应该理解这样使用的用语在适当情况下可以互换。

术语″包括″和″具有″以及他们的任何变形，意图在于覆盖但不排他的包含，例如，包含了一系列组件的产品或设备不必限于清楚地列出的所有组件，而是可包括没有清楚地列出的或对于这些产品或设备固有的其它组件。

智能电网就是电网的智能化，也被称为″电网2.0″，是建立在集成的、高速双向通信网络的基础上，通过先进的传感和测量技术、先进的设备技术、先进的控制方法以及先进的决策支持系统技术的应用，实现电网的可靠、安全、经济、高效、环境友好和使用安全的目标，其主要特征包括自愈、激励和保护用户、抵御攻击、提供满足用户需求的电能质量、容许各种不同发电形式的接入、启动电力市场以及资产的优化高效运行。

对于智能电网而言，随着智能电网的发展以及市场化的推进，用户用电行为变得越发复杂多变且呈现出较大的不确定性，并且随着新能源领域的不断发展，太阳能和风能作为一种绿色可再生能源在发电领域的比重不断增加，风电、光伏等可再生能源的接入将进一步增加系统运行中的不确定性，由于新能源本身的间歇性和波动性的特点，发电数据展现出很强的随机性和不确定性，大量新能源并入电网运行带来了诸多风险与隐患，对电力系统安全可靠运行提出了新的挑战

因此，通过充分考虑系统中的不确定性因素，综合运用发电侧和用户侧资源，降低可再生能源接入对电力系统的影响，促进可再生能源的消纳，是电力系统发展的客观要求。

因此，针对上述问题，本申请提出了一种智能电网运营优化方法及装置。

能够对智能电网发电侧不同发电方式的组件进行发电功率预测与用户侧负荷需求预测，并且采用不同数据类型的预测方法分开进行，从而提高源荷预测的精度，为电网一体化高效运营奠定基础，指导调度系统运行，可以充分提高电网系统的灵活性，提高资源利用率。

下面结合图1-图8描述本申请提供的运营优化方法。

图1示出了本申请一实施例提供的运营优化方法的流程示意图。

如图1所示，所述运营优化方法包括：

步骤100：获取光伏发电功率、风力风电功率及用户负荷需求，所述光伏发电功率根据光伏出力特性及光伏影响因素信息得到，所述风力发电功率根据风力出力特性及风力影响因素信息得到，所述用户负荷需求根据用户用电特征得到。

其中，光伏发电功率需要结合光伏影响因素识别，并根据光伏出力特性，采取随机森林方法，对光伏发电功率进行预测得到，风力发电功率需要结合风力影响因素识别，结合风电出力特性，采用门控循环神经网络方法，对风力发电功率进行预测得到，用户负荷需求需要结合用户用电特征，采用卷积门控循环网络，对用户负荷需求进行预测得到。

步骤200：基于所述光伏发电功率、风力发电功率及用户负荷需求，结合约束条件，构建及约束电网调度目标函数，并根据优化算法对所述电网调度目标函数进行优化，得到最佳电网调度目标函数。

其中，电网调度目标函数是指考虑了电网市场购电方的功率需求以及分布式能源发电供给的，以电网运行总收益最高为目标的函数，在满足电网系统运行的等式约束和不等式约束的基础上，采用松鼠优化算法对所建立的电网调度目标函数进行求解，得到最佳电网调度目标函数。

步骤300：基于所述最佳电网调度目标函数，确定在并网运行方式下，各新能源电源的最佳出力系数，以确定电网运行策略。

其中，在得到最佳电网调度目标函数后，能够确定在并网运行方式下各新能源电源的最佳出力系数，在确保安全的前提下，达到在调度周期内电网系统运行的成本最低，实现电网的优化运行。

可以看出，通过对智能电网发电侧的不同发电方式均采用不同的预测方法分开进行功率预测，并且对用户侧的用户负荷需求也进行预测，能够提高源荷预测的精度，为智能电网一体化高效运营奠定基础，再通过构建约束下的电网调度目标函数，并且考虑了新能源各组件出力份额以及用户侧负荷需求的优化运行方案，还采用了松鼠优化算法，创新性地选取具有稳定性强的特点的松鼠优化算法对电网系统的调度优化模型进行求解，得到最佳电网调度目标函数，以此根据电力市场来指导调度系统运行，可以充分提高电网系统的灵活性，提高资源利用率和电网系统运行效率，节约运营成本。

图2示出了本申请另一实施例中获取光伏发电功率的流程示意图；图3示出了本申请另一实施例中通过粒子群优化聚类算法的流程示意图。

在一些实施例中，如图2所示，在所述光伏发电功率根据光伏出力特性及光伏影响因素信息得到的步骤中，还包括以下步骤：

步骤110：获取光伏影响因素信息，所述光伏影响因素信息包括太阳辐照度、天气类型、相对湿度及大气温度。

其中，太阳辐照度是指太阳光辐射到大气层，经过吸收、反射等回到地球表面上的单位时间内的辐射能量；不同的天气类型的气象特征有所不同，例如，晴天的辐照度较高，因此光伏电站的输出功率也相对较高；当大气中的相对湿度较高时，削弱了太阳辐照，降低了照射在光伏面板上的辐照强度；一般情况下，大气温度的变化会影响太阳能电池组件的性能，从而影响光伏发电输出功率。

步骤120基于所述光伏影响因素信息，获取光伏训练集，根据需要进行预测日期的天气预报，进行相似日筛选，所述光伏训练集即为所述相似日的历史数据和气象数据。

其中，根据预测日预报天气类型，选择相应的天气类型的数据集，然后使用优化后的APSO-K-means算法进行相似日筛选。相似日历史数据和气象数据作为训练集。

K-means算法属于动态聚类分析方法比较经典的聚类算法，聚类算法对初始聚类中心的依赖性较高。如果初始聚类中心完全远离数据本身的聚类中心，则迭代次数趋于无穷大，同时也使得最终的聚类结果更容易陷入局部最优。

如图3所示将改进的粒子群算法与算法相结合，得到聚类算法，不仅能快速收敛到最优解，而且精度更高，粒子群优化聚类算法包括以下步骤：

步骤121：在粒子群算法K均值聚类的背景下，在初始化粒子之前，首先将数据点随机分配给K个聚类。

步骤122：基于聚类标准评估粒子适应度。

在数据点x_j＝1，N和聚类中心C_Kj之间的粒子j的适应度函数，为了最小化从所有点到它们的聚类中心的平方距离之和，将产生紧凑的聚类。N表示聚类过程中数据点的总数。

步骤123：通过步骤122的公式更新粒子的速度和位置。

步骤124：通过如下给出的K均值进行优化：根据最近规则将数据集重新分配聚类，进而重新计算聚类质心和适应值，更新位置。

步骤125：当达到最大迭代次数，则停止。否则，返回步骤122。

步骤130：基于所述光伏训练集，通过随机森林法构建光伏发电功率预测模型，并使用所述光伏发电功率预测模型预测所述光伏发电功率。

其中，随机森林算法(Random Forest，RF)是重要的机器集成学习算法之一，除了使用不同的数据引导样本构建每棵树之外，RF还会改变分类树或回归树的构建方式，在RF算法中，每个节点使用在该节点随机选择的预测子集中的最佳预测来分割，与许多其他分类器相比，例如SVM和神经网络，RF算法对过拟合具有较好的鲁棒性。

RF算法用于回归分析主要有以下几个优点：

(1)基于数据可用性和用户需求的简单的包含或排除预测器；

(2)可能包含连续的和分类的预测器，可以结合土地使用信息；

(3)必须由用户指定的相对较少的模型参数；

(4)使过度拟合的风险最小化；

(5)能够根据单个预测器对最终模型的贡献，自动计算可变重要性分数的。

RF模型是一个由一组决策树分类器{h(X，Θ_k)，k＝1，2，...，N}组成的集成分类模型。参数Θ_k是与第k棵决策树独立同分布的随机向量，可以表示第k棵决策树的生长过程。X为待分类样本。

当向RF模型输入待分类样本X后，样本X将会进入所有经过训练产生的决策树。决策树会根据数据样本的特征各自选择和确定数据X的类型。在全部决策树得出各自的分类结果后，RF模型进行汇总投票进而预测分类类别。因此，RF的分类决策如以下公式所示：

式中，H(x)为RF分类决策结果h_i为第i个决策树分类模型；Y为目标变量；I为度量函数；N为决策树数量。

上述公式现了RF算法的多数投票决策方式。作为建立在决策树算法上的一种集成算法，RF模型在构建和训练中会选择和抽取不一样的训练集对算法中的决策树进行训练，以此提高了每个分类器间的差异化，从而提高RF算法分类效果，使其优于算法构建中的每个决策树。RF模型的随机性可以提高算法的性能，通过以下体现：

(1)抽取样本

RF模型中，随机且有放回地从训练集中的抽取多个训练样本形成子样本集，且子样本集的数据量与所输入的最初的样本集数据量相同。每棵树的训练集均不同，且可能含有重复的样本。

(2)特征选择

RF模型中的决策树在分叉时只选择所有特征中的部分特征。RF模型首先随机选择全部可选特征的一部分特征，当决策树每次进行分裂时，则在随机选取出的特征中选择最优的特征。每棵决策树都尽可能地生长，不进行剪枝。

因此，RF模型在整个训练过程中的随机性，提高了模型中不相关联的决策树的分类精度，使模型不容易陷入过拟合，从而增强了该算法的抗噪能力和泛化性。

RF模型是用于分类还是回归，是取决于分类回归决策树(classification on andregression tree，CART)是分类树还是回归树。

随机森林的分类过程如下图所示。如果CART是分类树，则算法的关键在选取节点的测试属性和划分数据纯度。CART分类树的计算原则是基尼(Gini)指数，Gini指数越小，表示错分样本的概率越小。

Gini指数定义如下所示：

式中，p(i|t)为测试变量t属于类i的概率；n为样本的个数。

当k_Gini＝0时，所有的样例同属于一类。CART决策树生成算法根据k_Gini指数最小原则来选择分裂属性规则。假设训练集C中的属性A将C划分为C₁与C₂，则给定划分C的k_Gini指数为：

决策树不能够无限增长，决策树停止生长的条件是：

(1)节点的数据量小于指定值；

(2)k_Gini指数小于阈值；

(3)决策树的深度达到指定值；

(4)所有特征已经使用完毕。

如果CART是回归树，则采用最小均方差计算原则。即对于随机划分的特征，对应的任意划分点将数据集划分为两个数据集，计算求得两个数据集均方差最小，且满足两个数据集的均方差和最小时所对应的特征及其划分点：

式中，D₁和D₂分别为划分的数据集，A为任意划分的特征，s为任意划分点，为c₁和c₂分别为D₁和D₂的样本输出均值。因此随机森林的回归模型在进行预测分析时，是根据全部决策树的预测值的均值。

在一些实施例中，所述光伏训练集包括晴天训练集、阴天训练集及雨雪天气训练集。

其中，光伏训练集为根据训练集气象特征进行分类，在选择训练集市，根据需要进行预测日期的天气预报的天气类型，选择相应的天气类型的数据集。

图4示出了本申请另一实施例中获取风力发电功率的流程示意图。

在一些实施例中，如图4所示，在所述风力发电功率根据风力出力特性及风力影响因素信息得到步骤中，还包括以下步骤：

步骤140：获取风力影响因素信息，所述风力影响因素信息包括风速、风向、空气密度及温度。

其中，风速是指单位时间内空气的位移大小，具有非常强的随机性和间歇性。一定的时间段内风速的大小具有比较大的差异。风速与天气气候背景有着非常密切的关系，也和地理位置有关。一般情况下，海拔高的地区的风速要高于海拔低的地区。夏秋两季风速比较平缓，春冬两季风速波动性较大；风向也是影响风电场风力发电输出功率的重要因素。由于风向通常是在不断发生变化的，风力发电机要做到迎着风向，利用垂直于叶片的风能，才能尽可能地利用风能，实现能量转换；空气密度的增大，会提高风电场风电输出功率，因此空气密度的大小是风电输出功率的比较重要的影响因素；温度的大小会影响空气密度的改变，进而改变穿透风力发电机组叶片的空气量大小，从而影响风电场风电输出功率大小的改变。

步骤150：基于所述风力影响因素信息，通过门控循环神经网络，预测所述风力发电功率。

其中，编码器：给定输入序列X＝(x₁，x₂，...，x_T)，其中x_t∈[0，1]_p×1是一个p维的向量，T表示输入序列的长度。当传统RNN网络作为编码器的主体时，其隐含激活函数为：

h_t＝tanh(W_hxx_t+W_hhh_t-1)

其中，W_hx是输入和第一个隐藏层之间连接的权重矩阵，而W_hh是循环隐藏层之间的连接权重矩阵。当完成对整个输入序列的激活函数求取后，其隐含特征被编码为一条上下文向量C，包含了整个输入序列的特征信息：

C＝tanh(h_T)

C是编码器生成的隐藏状态的集合表示，而h_T是输入序列的最后一个隐藏状态。具体的，重置门的输出为：

r_t＝σ(W_rhh_t-1+W_rxx_t+b_r)

其中W_rh和W_rx代表重置门的权重矩阵，而σ代表Sigmoid激活函数。同样，更新门的输出为：

z_t＝σ(W_zhh_t-1+W_zxx_t+b_z)

其中，W_zh和W_zx表示更新门的权重矩阵。t时刻的隐含激活函数计算为：

其中，W_hh和W_hx是计算候选激活函数h_t的权重矩阵，而b_r，b_z，b_h

是指其相应的偏差项，运算符

表示逐元素乘法，t时刻GRU单元的激活函数h_t是前一时刻的激活函数值h_t-1与当前的候选值

二者的线形组成，更新门z_t确定应使用多少先前状态信息，重置门r_t控制了先前状态信息与输入信息的结合过程。

解码器是由另一套GRU模块组成，用来生成输出序列Y＝(y₁，y₂，...，y_m)。它根据隐藏状态s_t来预测输出y_t，其中y_t∈[0，1]_q×1是q维向量，m是输出序列的长度。y_t和s_t都以编码器产生的上下文向量c_t为输入。因此，解码器GRU的隐藏激活s_t可通过以下公式计算：

r_t′及z′_t为解码器的重置门和更新门，而

是解码器GRU的候选激活函数。解码器的两个门的值可以通过以下方式计算：

r_t′＝σ(W_rss_t-1+W_ryy_t-1+C_crc_t+b_ry)

Z′_t＝σ(W_zss_t-1+W_zyy_t-1+C_czc_t+b_zy)

W_sr、W_sy、W_rs、W_ry、W_zs、W_zy、C_cs、C_cr、C_cy作为权重矩阵，以及b_s，b_ry，b_zy作为相应的偏差项，最后，基于上下文向量c_t，解码器s_t的隐藏激活以及先前的预测值y_t-1，可以计算出当前时刻的预测输出y_t：

其中，

和

是学习的权重矩阵，而g是线性激活函数对于整个模型的训练，采用对编码器和解码器进行联合训练，以最小化均方误差mse为模型的训练目标：

其中，y_t是t时刻的实际测量值，而

是t时刻的预测输出，N表示数据点的数量。在提出的模型中，编码器将输入信息转换为紧凑的特征表示，而解码器则根据该信息预测输出序列Y，这意味着，将两对GRU组合在一起以形成的MIMO方法，不同时间步长之间的相关性可以在不断地编码和解码过程中得到学习。

图5示出了本申请另一实施例中获取用户负荷需求的流程示意图。

在一些实施例中，如图5所示，在所述用户负荷需求根据用户用电特征得到步骤中，还包括以下步骤：

步骤160：获取用户用电特征，所述用户用电特征包括用电量、用电设备种类、用电设备规格等及用电习惯。

其中，用户用电特征根据用户已知的用电数据得到。

步骤170：基于所述用户用电特征，通过卷积门控循环网络，预测所述用户负荷需求。

其中，卷积神经网络是一种适合用来处理计算机视觉图像的神经网络，它由卷积层、采样层和全连接层组成。卷积神经网络利用其深层次的构架，可以从原始输入图像中学习到有效的特征表达。

(1)卷积层：卷积层是CNN的核心结构，每一层卷积层中都包含一定数量的特征探测器，当输入传入卷积层后，每一个特征探测器都会沿着图像滑动平移进行卷积运算，产生与之对应的特征图谱。而随着卷积层的堆叠，输入中隐含的更深层的特征将会被提取并学习。输入矩阵经过特征捕捉器的平移卷积之后得到特征图谱。则对于第l-1层的第i输入

其下一层的卷积输出为

其中，f(·)表示为卷积层的激活函数，N_M为所有选中的输入数量。

代表卷积操作，

为偏执项。

为第I层连接第i个输入和第j个输入之间的系数矩阵，每一个系数矩阵只能学习一种单一的特征，故一层中需要多个特征捕捉器，而数据中的深层次的特征则需要堆叠更多的卷积层来捕捉。常规神经网络的局限性之一是由于神经元的完全连接而导致的可伸缩性差。

(2)池化层：池化层又称作次采样层，通常紧跟卷积层之后被用减少CNN训练参数(例如训练权重和特征提取器的数量)和精简特征图谱的数量。此外，池化层还可以用于控制神经网络的收敛从而避免出现训练中的过拟合现象。最大池化是最典型的池化操作之一，即对邻域内特征点取最大值。经过池化层后的模型参数将会减少，计算速度得到提升。池化层的操作可以表示为：

其中，

表示第I层第j个输出映射的乘性偏差系数，down(·)表示为池化中的次采样过程，根据不同的池化技术而有不同的表达方式。

假设模型的训练集为{(x₁，y₁)，(x₂，y₂)，...，(x_n，y_n)}其中y_n∈{0，1}，n为样本的数量。

Sigmoid函数作为逻辑回归的映射函数，可以把分类的结果很好的映射到[0，1]之间。

中，θ是模型需要训练的参数。Sigmoid映射函数代表了结果属于类别y＝1的概率P。因此，可得分类类别为0和1的概率分别为：

P(y＝0|x；θ)＝1-g_θ(x)

P(y＝1|x；θ)＝g_θ(x)

根据最大似然估计，可得模型的损失函数为交叉熵：

图6示出了本申请另一实施例中构建电网调度目标函数的流程示意图。

在一些实施例中，如图6所示，在基于所述光伏发电功率、风力发电功率及用户负荷需求，结合约束条件，构建及约束电网调度目标函数步骤中，还包括以下步骤：

步骤210：构建电网调度目标函数。

其中，所构建的电网调度优化目标函数如下：

C_M，PV(i)＝ξ_M，PV×P_PV(i)+m_PV×P_PV(i)

C_M，WT(i)＝ξ_M，WT×P_WT(i)+m_WT×P_PV(i)

C_M，bess(i)＝ξ_M，ess(i)×P_ess(i)

C_buy(i)＝p_buy(i)×P_buy(i)

C_sell(i)＝p_sell(i)×P_sell(i)

P_buy(i)＝P_L(i)-P_DG-P_ess(i)

P_sell(i)＝P_DG-P_L(i)-P_ess(i)

式中，C_sum为电网运行总费用；C_M，PV(i)，C_M，WT(i)，C_M，ess(i)分别为i时刻光伏发电机组、风力发电机组以及储能系统运行过程中所需维护费用；C_buy(i)和C_sell(i)分别为i时刻电网向大电网的购电费用和余电上网费用。分p_s，WT(i)和p_s，PV(i)别为电网中光伏和风力发电的余电上网电价，p_sell(i)为电网向大电网的购电电价和电网余电上网的电价；P_buy(i)和P_sell(i)分别为微电网向大电网所购买的功率和微电网将余电上网的功率；ξ_M，PV、ξ_M，WT、ξ_M，ess(i)分别为i时刻光伏发电、风力发电以及储能系统运行过程中的维护系数；P_PV(i)和P_WT(i)分别为i时刻光伏电池和风力发电机的输出功率；P_ess(i)为i时刻储能系统蓄电池的充放电功率。

步骤220：基于约束条件对所述电网调度目标函数进行约束，以优化所述电网调度目标函数。

其中，电网的调度需要考虑电网市场购电方的功率需求以及分布式能源发电供给，在满足电网系统运行的等式约束和不等式约束的基础上，才能够对电网调度目标函数进行求解，以在确保安全的前提下，达到在调度周期内电网系统运行的成本最低，实现电网的优化运行。

在一些实施例中，所述约束条件包括功率平衡约束、新能源输出功率约束及电网传输功率约束。

其中，

(1)功率平衡约束

P_PV(i)+P_WT(i)+P_ess(i)+P_buy(i)-P_sell(i)＝P_L(i)

P_L(i)电网内i时刻的负荷值。

(2)新能源输出功率约束

P_PV，min≤P_i≤P_PV，max

P_WT，min≤P_i≤P_WT，max

P_PV，min、P_PV，max、P_WT，min、P_WT，max分别为光伏和新能源发电的功率上限和下限。

(3)电网传输功率约束

P_buy(i)，min≤P_buy(i)≤P_buy(i)，max

P_sell(i)，mm≤P_sell(i)≤P_{sell(i)，max}

P_buy(i)，min、P_buy(i)，max分别表示电网需要大电网所输送功率的上、下限，P_{sell(i)，min}，P_{sell(i)，max}分别为电网向大电网输送功率的上、下限。

图7示出了本申请另一实施例中优化电网调度目标函数的流程示意图。

在一些实施例中，如图7所示，所述优化算法包括松鼠搜索算法，所述松鼠搜索算法包括以下步骤：

步骤230：根据所述松鼠搜索算法对所述电网调度目标函数进行随机初始化。

其中，松鼠搜索算法是2018年提出的最新自然启发优化算法。事实上，飞行松鼠是使用一种特殊的运动方式-滑翔，这种方式允许小型哺乳动物以较小的能量代价就可以快速有效地完成长距离飞行。飞行松鼠可以通过表现出动态觅食行为来优化食物资源，这种智能动态觅食行为是提出松鼠搜索算法的主要原理。

在对电网调度目标函数进行随机初始化时：

设落叶森林中有n只松鼠，第i只松鼠的位置可以通过一个矢量来确定。飞行松鼠的位置用以下矩阵表示：

FS_i，j＝FS_i，L+U(0，1)×(FS_i，U-FS_i，L)

式中，FS_i，j是第i只松鼠在第j维的值，FS_i，U和FS_i，L是第j维的上、下界，U(0，1)是在0和1之间的均匀分布值。

步骤240：根据决策变量确定每个飞行松鼠的位置适应度，并将相应的值进行存储。

其中，通过将决策变量的值放入用户定义的适应度函数来计算每个飞行松鼠的位置适应度，相应的值存储在以下数组中：

每只飞行松鼠所在位置的适应度描述了它所搜索的食物源的质量，即最佳食物源、正常食物源和无食物源，因此也描述了它们的生存概率。

在存储了每只松鼠的位置的适应度后，数组按升序排序。最小适应值的松鼠停留在山核桃树上，接下来的三只松鼠停留在橡树上，其余的松鼠停留在普通树上。

步骤250：对所述电网调度目标函数进行迭代，计算每个飞行松鼠的适应值，并更新位置，达到最大迭代次数时，停止迭代，得到最佳电网调度目标函数。

其中，飞行松鼠的觅食行为会受到捕食者的影响，松鼠觅食行为也要根据捕食者的出现概率(P_dp)而确定。更新飞行松鼠的位置取决于捕食者(P_dp)的出现概率，该概率对更新三种类型的行为有很大影响：

情况1：松鼠向山核桃树移动

在这种情况下，橡子树上的飞行松鼠移向山核桃树，以保持最佳的食物来源，见下式。

式中，d_g是随机滑行距离，R₁是[0，1]范围内的随机数，

是山核桃树的位置，t表示当前迭代。滑动常数G_c实现全局与局部搜索之间的平衡，经过大量分析论证，G_c的值通常设为1.9。

情况2：松鼠向橡树移动，在这种情况下，正常树上的飞行松鼠移向橡子树以获取食物，如下述公式所示。

式中，R₂是[0，1]范围内的随机数。三种情况下，天敌出现的概率均为0.1。

在每次迭代中，计算飞鼠的适应值并更新位置，直到达到最大迭代次数。

松鼠搜索算法中滑翔的空气动力学

松鼠的滑行机制是通过平衡滑行来描述的，升力(L)和阻力(D)之和产生一个合力(R)，该合力与飞鼠的重力大小相等且方向相反。因此，R以恒定速度(V)保证松鼠能够在直线上与水平面成一定角度

下降滑行。升阻比或滑行比定义如下：

升力是空气撞击膜产生了向下的偏转而产生的反推力的结果，定义为：

其中ρ＝1.204kg/m³空气密度，C_L称为升力系数，V＝5.25m/s为速度，S＝0.0154m²为松鼠膜表面积。

阻力表达式为：

式中，C_D是摩擦阻力系数。

式中，h_g＝8m为滑行后发生的高度减少量，C_L的取值为[0.675，1.5]之间的某个值，C_D的值为0.6。

松鼠搜索算法中季节变化条件

季节变化会显著影响飞行松鼠的觅食活动，与秋天相比，气候条件迫使它们在冬天不太活跃。在松鼠搜索算法中通过检查季节变化条件，防止算法陷入局部最优。

(1)计算季节常量S_c

(2)计算季节变化条件

式中，t和t_m分别是当前和最大的迭代值。S_min值影响算法的全局和局部搜索能力，搜索过程的有效平衡可以使用滑动常数G_c来维持的，也可以使用在迭代过程中自适应地改变S_min的值来实现。

(3)如果季节变化条件得到满足，则随机改变普通树上松鼠的位置。

式中，Levy表示列维分布(Levy distribution)，列维飞行(Levy flight)帮助算法寻找远离当前最佳位置的新位置。

式中，r_a和r_b是[0，1]区间上的两个正态分布随机数，β＝1.5，σ计算如下：

式中，Γ(x)＝(x-1)！。算法停止准则为最大迭代次数t_m。

图8示出了本申请一实施例提供的运营优化装置的结构示意图

如图8所示，本申请还提出了一种智能电网运营优化装置，所述运营优化装置400包括：

采集模块410，用于获取光伏发电功率、风力风电功率及用户负荷需求，所述光伏发电功率根据光伏出力特性及光伏影响因素信息得到，所述风力发电功率根据风力出力特性及风力影响因素信息得到，所述用户负荷需求根据用户用电特征得到。

其中，光伏发电功率需要结合光伏影响因素识别，并根据光伏出力特性，采取随机森林方法，对光伏发电功率进行预测得到，风力发电功率需要结合风力影响因素识别，结合风电出力特性，采用门控循环神经网络方法，对风力发电功率进行预测得到，用户负荷需求需要结合用户用电特征，采用卷积门控循环网络，对用户负荷需求进行预测得到。

计算模块420，用于基于所述光伏发电功率、风力发电功率及用户负荷需求，结合约束条件，构建及约束电网调度目标函数，并根据优化算法对所述电网调度目标函数进行优化，得到最佳电网调度目标函数。

其中，电网调度目标函数是指考虑了电网市场购电方的功率需求以及分布式能源发电供给的，以电网运行总收益最高为目标的函数，在满足电网系统运行的等式约束和不等式约束的基础上，采用松鼠优化算法对所建立的电网调度目标函数进行求解，得到最佳电网调度目标函数。

执行模块430，用于基于所述最佳电网调度目标函数，确定在并网运行方式下，各新能源电源的最佳出力系数，以确定电网运行策略。

其中，在得到最佳电网调度目标函数后，能够确定在并网运行方式下各新能源电源的最佳出力系数，在确保安全的前提下，达到在调度周期内电网系统运行的成本最低，实现电网的优化运行。

在一些实施例中，如图8所示，所述采集模块包括：

影响因素识别模块411，用于分别针对风力发电模组和光伏发电模组进行光伏影响因素及风力影响因素的获取。

光伏发电功率预测模块412，根据光伏出力特性，采取随机森林方法，对光伏发电功率进行预测。

风力发电功率预测模块413，根据风电出力特性，采用门控循环神经网络方法，对风力发电功率进行预测。

用户负荷预测模块414，结合用户用电特征挖掘，采用卷积门控循环网络对用户负荷需求进行科学预测。

为了方便解释，已经结合具体的实施方式进行了上述说明。但是，上述在一些实施例中讨论不是意图穷尽或者将实施方式限定到上述公开的具体形式。根据上述的教导，可以得到多种修改和变形。上述实施方式的选择和描述是为了更好地解释原理以及实际的应用，从而使得本领域技术人员更好的使用实施方式以及适于具体使用考虑的各种不同的变形的实施方式。

Claims (10)

1.一种智能电网运营优化方法，其特征在于，所述运营优化方法包括：

获取光伏发电功率、风力风电功率及用户负荷需求，所述光伏发电功率根据光伏出力特性及光伏影响因素信息得到，所述风力发电功率根据风力出力特性及风力影响因素信息得到，所述用户负荷需求根据用户用电特征得到；

基于所述光伏发电功率、风力发电功率及用户负荷需求，结合约束条件，构建及约束电网调度目标函数，并根据优化算法对所述电网调度目标函数进行优化，得到最佳电网调度目标函数；

基于所述最佳电网调度目标函数，确定在并网运行方式下，各新能源电源的最佳出力系数，以确定电网运行策略。

2.如权利要求1所述一种智能电网运营优化方法，其特征在于，在所述光伏发电功率根据光伏出力特性及光伏影响因素信息得到的步骤中，还包括以下步骤：

获取光伏影响因素信息，所述光伏影响因素信息包括太阳辐照度、天气类型、相对湿度及大气温度；

基于所述光伏影响因素信息，获取光伏训练集，根据需要进行预测日期的天气预报，进行相似日筛选，所述光伏训练集即为所述相似日的历史数据和气象数据；

基于所述光伏训练集，通过随机森林法构建光伏发电功率预测模型，并使用所述光伏发电功率预测模型预测所述光伏发电功率。

3.如权利要求2所述一种智能电网运营优化方法，其特征在于，所述光伏训练集包括晴天训练集、阴天训练集及雨雪天气训练集。

4.如权利要求1所述一种智能电网运营优化方法，其特征在于，在所述风力发电功率根据风力出力特性及风力影响因素信息得到步骤中，还包括以下步骤：

获取风力影响因素信息，所述风力影响因素信息包括风速、风向、空气密度及温度；

基于所述风力影响因素信息，通过门控循环神经网络，预测所述风力发电功率。

5.如权利要求1所述一种智能电网运营优化方法，其特征在于，在所述用户负荷需求根据用户用电特征得到步骤中，还包括以下步骤：

获取用户用电特征，所述用户用电特征包括用电量、用电设备种类、用电设备规格等及用电习惯；

基于所述用户用电特征，通过卷积门控循环网络，预测所述用户负荷需求。

6.如权利要求1所述一种智能电网运营优化方法，其特征在于，在基于所述光伏发电功率、风力发电功率及用户负荷需求，结合约束条件，构建及约束电网调度目标函数步骤中，还包括以下步骤：

构建电网调度目标函数；

基于约束条件对所述电网调度目标函数进行约束，以优化所述电网调度目标函数。

7.如权利要求6所述一种智能电网运营优化方法，其特征在于，所述约束条件包括功率平衡约束、新能源输出功率约束及电网传输功率约束。

8.如权利要求1所述一种智能电网运营优化方法，其特征在于：所述优化算法包括松鼠搜索算法，所述松鼠搜索算法包括以下步骤：

根据所述松鼠搜索算法对所述电网调度目标函数进行随机初始化；

根据决策变量确定每个飞行松鼠的位置适应度，并将相应的值进行存储；

对所述电网调度目标函数进行迭代，计算每个飞行松鼠的适应值，并更新位置，达到最大迭代次数时，停止迭代，得到最佳电网调度目标函数。

9.一种智能电网运营优化装置，其特征在于：所述装置包括：

采集模块，用于获取光伏发电功率、风力风电功率及用户负荷需求，所述光伏发电功率根据光伏出力特性及光伏影响因素信息得到，所述风力发电功率根据风力出力特性及风力影响因素信息得到，所述用户负荷需求根据用户用电特征得到；

计算模块，用于基于所述光伏发电功率、风力发电功率及用户负荷需求，结合约束条件，构建及约束电网调度目标函数，并根据优化算法对所述电网调度目标函数进行优化，得到最佳电网调度目标函数；

执行模块，用于基于所述最佳电网调度目标函数，确定在并网运行方式下，各新能源电源的最佳出力系数，以确定电网运行策略。

10.如权利要求9所述一种智能电网运营优化装置，其特征在于：所述采集模块包括：

影响因素识别模块，用于分别针对风力发电模组和光伏发电模组进行光伏影响因素及风力影响因素的获取；

光伏发电功率预测模块，根据光伏出力特性，采取随机森林方法，对光伏发电功率进行预测；

风力发电功率预测模块，根据风电出力特性，采用门控循环神经网络方法，对风力发电功率进行预测；

用户负荷预测模块，结合用户用电特征挖掘，采用卷积门控循环网络对用户负荷需求进行科学预测。

Images