CN116090730A - 基于激励需求响应的虚拟电厂负荷优化调度方法和系统 - Google Patents
基于激励需求响应的虚拟电厂负荷优化调度方法和系统 Download PDFInfo
- Publication number
- CN116090730A CN116090730A CN202211419445.4A CN202211419445A CN116090730A CN 116090730 A CN116090730 A CN 116090730A CN 202211419445 A CN202211419445 A CN 202211419445A CN 116090730 A CN116090730 A CN 116090730A
- Authority
- CN
- China
- Prior art keywords
- power plant
- data set
- prediction model
- virtual power
- excitation
- 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
- 230000005284 excitation Effects 0.000 title claims abstract description 87
- 230000004044 response Effects 0.000 title claims abstract description 67
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000005457 optimization Methods 0.000 claims abstract description 34
- 238000013528 artificial neural network Methods 0.000 claims abstract description 29
- 238000004146 energy storage Methods 0.000 claims abstract description 16
- 238000013486 operation strategy Methods 0.000 claims abstract description 14
- 230000002787 reinforcement Effects 0.000 claims abstract description 14
- 230000006870 function Effects 0.000 claims abstract description 8
- 230000005611 electricity Effects 0.000 claims description 14
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000010248 power generation Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000007423 decrease Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 description 8
- 230000009286 beneficial effect Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 230000000638 stimulation Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000001771 impaired effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000006467 substitution reaction 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
- G06Q10/06—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
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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
-
- 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
-
- 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
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0206—Price or cost determination based on market factors
-
- 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
-
- 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
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
-
- 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
- H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
-
- 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
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Finance (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Accounting & Taxation (AREA)
- Game Theory and Decision Science (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Power Engineering (AREA)
- Software Systems (AREA)
- Operations Research (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Educational Administration (AREA)
- General Engineering & Computer Science (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供一种基于激励需求响应的虚拟电厂负荷优化调度方法和系统,涉及电力调度技术领域。本发明通过基于深度神经网络的预测模型来预测电力批发价格、光伏输出功率和用户负荷,克服了可再生能源与其不确定性,以及环境的不确定性,将预测得到的数据输入预先构建的虚拟电厂的激励需求响应模型的目标函数中,通过强化学习获取不同用户的最优激励率,根据最优激励率,得到虚拟电厂内部市场中柴油发电机组、光伏以及储能系统的最优运行策略。
Description
技术领域
本发明涉及电力调度技术领域,具体涉及一种基于激励需求响应的虚拟电厂负荷优化调度方法和系统。
背景技术
电力需求的持续增长给电力系统带来了沉重的负担,电力需求和供应之间不匹配的矛盾日益突出。传统的解决方案是建立更多能够处理峰值负荷的发电厂来增加电力供应,以缓解电力不平衡或短缺,但是,这种方法不仅会增加燃料成本并且会产生大量的碳排放。因此,有效的管理需求侧资源,充分挖掘需求侧资源的潜力,成为了维护电网安全稳定运行以及提高电力市场效率的重要方式。
需求响应是管理需求侧资源的重要手段,是指在用电高峰时期或者电力系统可靠性受到损害时,用户根据价格信号或者激励信号来减少他们的用电负荷。相较于单一的工业用户、居民用户或者商业用户进行需求响应,虚拟电厂通过将不同类型用户、分布式能源和储能系统进行聚合,在削减峰值负荷方面展现出巨大的潜力。最佳的需求响应方案可以促使用户积极参与虚拟电厂内部市场的用电调度,有助于平滑虚拟电厂集成的负荷,提高电网稳定性。
现有虚拟电厂的激励需求响应模型多数是基于模型的方法,比如,博弈论、混合整数线性规划或者随机规划等,该类基于模型的方法受到先验知识和经验的极大限制,缺乏灵活性,导致得出最优激励率的准确度低,即现有方法得出的最优激励率的准确度低。
发明内容
(一)解决的技术问题
针对现有技术的不足,本发明提供了一种基于激励需求响应的虚拟电厂负荷优化调度方法和系统,解决了现有方法得出的最优激励率的准确度低的技术问题。
(二)技术方案
为实现以上目的,本发明通过以下技术方案予以实现:
第一方面,本发明提供一种基于激励需求响应的虚拟电厂负荷优化调度方法,所述方法预先构建深度神经网络预测模型,预先构建面向虚拟电厂的激励需求响应模型,所述方法包括以下步骤:
S1、获取数据集,对所述数据集进行预处理,所述数据集包括电力批发价格预测数据集、光伏输出功率预测数据集和用户负荷预测数据集;
S2、基于所述电力批发价格预测数据集、光伏输出功率预测数据集和用户负荷预测数据集分别对预先构建深度神经网络预测模型进行训练,得到电力批发价格预测模型、光伏输出功率预测模型和用户负荷预测模型,根据电力批发价格预测模型、光伏输出功率预测模型和用户负荷预测模型分别预测未来时间段内的电力批发价格、未来时间段内的光伏输出功率和未来时间段内的用户负荷;
S3、基于所述未来时间段内的电力批发价格、未来时间段内的光伏输出功率、未来时间段内的用户负荷和面向虚拟电厂的激励需求响应模型,通过强化学习算法得到未来时间段内不同用户的最优激励率。
优选的,所述方法还包括:
S4、根据最优激励率,得到虚拟电厂内部市场中柴油发电机组、光伏以及储能系统的最优运行策略。
优选的,所述深度神经网络预测模型包括一个输入层、三个隐藏层和一个输出层。
优选的,所述基于电力批发价格预测数据集、光伏输出功率预测数据集和用户负荷预测数据集分别对预先构建深度神经网络预测模型进行训练,得到电力批发价格预测模型、光伏输出功率预测模型和用户负荷预测模型,包括:
将步骤S1中的3个数据集分别划分为输入集和期望输出集,将输入集Pricein、PVin、Loadin分别输入预先构建深度神经网络预测模型得到预测输出;
将期望输出集Priceout、PVout、Loadout分别输入预先构建的深度神经网络预测模型,在每次迭代中通过反向传播算法调整深度神经网络预测模型中每一层的权重和参数,使预测输出和期望输出之间的差异最小,得到电力批发价格预测模型、光伏输出功率预测模型和用户负荷预测模型。
优选的,所述预先构建的面向虚拟电厂的激励需求响应模型目标函数为:
max(PFVPP+PFPC)
式中,PFVPP为虚拟电厂的利润,PFPC为用户的利润;
虚拟电厂的利润计算公式为:
rmin≤ri,t≤rmax
Gt=a·gt 2·xt+b·gt·xt+c
Yt=ytkt
kt=max(0,xt-xt-1)
其中,i∈{1,2,3,…,n}表示第i个用户,n是用户的总数;t∈{1,2,3,…,T}表示第t小时,T表示一天中的最后一个小时;Pt表示第t小时的电力批发价格;ΔEi,t表示第i个用户在第t小时减少的电力需求;ri,t表示虚拟电厂在第t小时提供给第i个用户的激励率;rmin和rmax分别是激励率的下限和上限;Gt和Yt分别表示第t小时柴油发电机组的发电成本和启动成本;表示光伏在第t小时的发电量;Pres表示可再生能源参与方向虚拟电厂提供发电的规定价格;表示第t小时从电力批发市场购买的电力;gt表示柴油发电机组在第t小时的发电量;a,b和c是柴油发电机组发电成本的系数;xt表示在第t小时柴油发电机组状态的二进制变量,如果柴油发电机组在工作xt=1,否则xt=0;yt表示在第t小时柴油发电机组的启动成本;kt表示在第t小时柴油发电机组是否启动的二进制变量;Dt表示在第t小时用户参与虚拟电厂的需求响应调节后的实际用电需求;和分别表示在时间间隔(t-1,t)内储能系统的充电量和放电量;
用户的利润计算公式为:
μi>0
ωi>0
其中,αi表示第i个用户对激励收入和不满意成本之间相对重要性的态度;表示用户i在第t小时减少ΔEi,t电力需求时引起的不满意成本;μi和ωi是不满意成本的相关参数;Ei,t表示第i个用户在第t小时的电力需求;ξt是第t小时的电力弹性系数,表示电力需求变化与激励率变化的比率。
第二方面,本发明提供一种基于激励需求响应的虚拟电厂负荷优化调度系统,在虚拟电厂负荷优化调度系统中预先构建深度神经网络预测模型,预先构建面向虚拟电厂的激励需求响应模型,虚拟电厂负荷优化调度系统包括:
数据获取模块,用于获取数据集,对所述数据集进行预处理,所述数据集包括电力批发价格预测数据集、光伏输出功率预测数据集和用户负荷预测数据集;
预测模块,基于所述电力批发价格预测数据集、光伏输出功率预测数据集和用户负荷预测数据集分别对预先构建深度神经网络预测模型进行训练,得到电力批发价格预测模型、光伏输出功率预测模型和用户负荷预测模型,根据电力批发价格预测模型、光伏输出功率预测模型和用户负荷预测模型分别预测未来时间段内的电力批发价格、未来时间段内的光伏输出功率和未来时间段内的用户负荷;
最优激励率获取模块,用于基于未来时间段内的电力批发价格、未来时间段内的光伏输出功率、未来时间段内的用户负荷和面向虚拟电厂的激励需求响应模型,通过强化学习算法得到未来时间段内不同用户的最优激励率。
优选的,所述虚拟电厂负荷优化调度系统还包括:
策略获取模块,用于根据最优激励率,得到虚拟电厂内部市场中柴油发电机组、光伏以及储能系统的最优运行策略。
第三方面,本发明提供一种计算机可读存储介质,其存储用于基于激励需求响应的虚拟电厂负荷优化调度的计算机程序,其中,所述计算机程序使得计算机执行如上述所述的基于激励需求响应的虚拟电厂负荷优化调度方法。
第四方面,本发明提供一种电子设备,包括:
一个或多个处理器;
存储器;以及
一个或多个程序,其中所述一个或多个程序被存储在所述存储器中,并且被配置成由所述一个或多个处理器执行,所述程序包括用于执行如上述所述的基于激励需求响应的虚拟电厂负荷优化调度方法。
(三)有益效果
本发明提供了一种基于激励需求响应的虚拟电厂负荷优化调度方法和系统。与现有技术相比,具备以下有益效果:
本发明通过基于深度神经网络的预测模型来预测电力批发价格、光伏输出功率和用户负荷,克服了可再生能源与其不确定性,以及环境的不确定性,将预测得到的数据输入预先构建的虚拟电厂的激励需求响应模型的目标函数中,通过强化学习获取不同用户的最优激励率,根据最优激励率,得到虚拟电厂内部市场中柴油发电机组、光伏以及储能系统的最优运行策略。
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,显而易见地,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他的附图。
图1为本发明实施例中一种基于激励需求响应的虚拟电厂负荷优化调度方法的框图;
图2为本发明实施例中一种基于激励需求响应的虚拟电厂负荷优化调度系统的框图。
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,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。
本申请实施例通过提供一种基于激励需求响应的虚拟电厂负荷优化调度方法和系统,解决了现有方法得出的最优激励率的准确度低的技术问题,实现提高最优激励率获取的准确性,从而得到虚拟电厂内部市场中各组成单元的最优运行策略,提高电网系统可靠性。
本申请实施例中的技术方案为解决上述技术问题,总体思路如下:
虚拟电厂的激励需求响应在提供能源平衡以加强稳定性以及提高整个电力系统经济效率方面发挥着重要的作用,虚拟电厂内部市场中最佳的激励需求响应方案可以促使用户积极参与虚拟电厂内部市场的负荷调度以减少用电量。然而,虚拟电厂的激励需求响应中激励率的确定是一个挑战,不同的用户对虚拟电厂所提供的激励率可能会有不同的态度,进而会影响到用电量的减少以及用户和虚拟电厂的经济效益,因此,确定虚拟电厂的最优激励率仍存在一些挑战。
为解决上述缺陷,本发明提出了一种基于激励需求响应的虚拟电厂负荷优化调度方法。该方法首先通过基于深度神经网络的预测模型来预测电力批发价格、光伏输出功率和用户负荷,然后将预测得到的数据输入预先构建的虚拟电厂的激励需求响应模型的目标函数中,通过强化学习获取不同用户的最优激励率,根据最优激励率,得到虚拟电厂内部市场中柴油发电机组、光伏以及储能系统的最优运行策略。
本发明实施例提供一种基于激励需求响应的虚拟电厂负荷优化调度方法,该方法预先构建深度神经网络预测模型,预先构建面向虚拟电厂的激励需求响应模型,如图1所示,该方法包括以下步骤:
S1、获取数据集,对所述数据集进行预处理,所述数据集包括电力批发价格预测数据集、光伏输出功率预测数据集和用户负荷预测数据集;
S2、基于所述电力批发价格预测数据集、光伏输出功率预测数据集和用户负荷预测数据集分别对预先构建深度神经网络预测模型进行训练,得到电力批发价格预测模型、光伏输出功率预测模型和用户负荷预测模型,根据电力批发价格预测模型、光伏输出功率预测模型和用户负荷预测模型分别预测未来时间段内的电力批发价格、未来时间段内的光伏输出功率和未来时间段内的用户负荷;
S3、基于未来时间段内的电力批发价格、未来时间段内的光伏输出功率、未来时间段内的用户负荷和面向虚拟电厂的激励需求响应模型,通过强化学习算法得到未来时间段内不同用户的最优激励率。
S4、根据最优激励率,得到虚拟电厂内部市场中柴油发电机组、光伏以及储能系统的最优运行策略。
本发明实施例通过基于深度神经网络的预测模型来预测电力批发价格、光伏输出功率和用户负荷,克服了可再生能源与其不确定性,以及环境的不确定性,将预测得到的数据输入预先构建的虚拟电厂的激励需求响应模型的目标函数中,通过强化学习获取不同用户的最优激励率,根据最优激励率,得到虚拟电厂内部市场中柴油发电机组、光伏以及储能系统的最优运行策略。
下面对各个步骤进行详细说明:
在步骤S1中,获取数据集,对所述数据集进行预处理,所述数据集包括电力批发价格预测数据集、光伏输出功率预测数据集和用户负荷预测数据集。具体实施过程如下:
分别获取1小时前、2小时前、3小时前、1天前每小时、2天前每小时和3天前每小时的电力批发价格、光伏输出功率和用户负荷的历史数据,分别组成电力批发价格预测数据集Price、光伏输出功率预测数据集PV和用户负荷预测数据集Load,然后对这3个数据集进行最小-最大标准化。
在步骤S2中,基于所述电力批发价格预测数据集、光伏输出功率预测数据集和用户负荷预测数据集分别对预先构建深度神经网络预测模型进行训练,得到电力批发价格预测模型、光伏输出功率预测模型和用户负荷预测模型,根据电力批发价格预测模型、光伏输出功率预测模型和用户负荷预测模型分别预测未来时间段内的电力批发价格、未来时间段内的光伏输出功率和未来时间段内的用户负荷。具体实施过程如下:
首先把步骤S1中的3个数据集分别划分为输入集和期望输出集,将输入集Pricein、PVin、Loadin分别输入预先构建的由一个输入层、三个隐藏层和一个输出层组成的深度神经网络预测模型得到预测输出,然后将期望输出集Priceout、PVout、Loadout分别输入预先构建的深度神经网络预测模型,在每次迭代中通过反向传播算法调整深度神经网络预测模型中每一层的权重和参数,使预测输出和期望输出之间的差异最小,使用平均绝对误差(MAE)和平均绝对百分误差(MAPE)来评估这种差异。当这种差异达到所需最低精度时,便得到电力批发价格预测模型、光伏输出功率预测模型和用户负荷预测模型。其中,MAE和MAPE的计算公式如下:
其中,M表示用于计算误差的预测值的总数,ym,true表示真实值,ym,forecast表示预测值。
然后使用电力批发价格预测模型获取未来时间段内的电力批发价格,使用光伏输出功率预测模型获取未来时间段内的光伏输出功率,使用用户负荷预测模型获取未来时间段内的用户负荷。
在步骤S3中,基于未来时间段内的电力批发价格、未来时间段内的光伏输出功率、未来时间段内的用户负荷和预先构建的面向虚拟电厂的激励需求响应模型,通过强化学习算法得到未来时间段内不同用户的最优激励率。具体实施过程如下:
预先构建的面向虚拟电厂的激励需求响应模型的目标函数为:
max(PFVPP+PFPC)
其中,PFVPP为虚拟电厂的利润,PFPC为用户的利润。
虚拟电厂通过给用户提供激励措施来得到需求响应资源,虚拟电厂将得到的需求响应资源可以出售给电力批发市场得到收入。此外,虚拟电厂还要支付柴油发电机组和光伏的相关成本,以及当虚拟电厂内部市场电力不足时向电力批发市场购买电力的成本。因此,虚拟电厂的利润计算公式为:
rmin≤ri,t≤rmax
Gt=a·gt 2·xt+b·gt·xt+c
Yt=ytkt
kt=max(0,xt-xt-1)
其中,i∈{1,2,3,…,n}表示第i个用户,n是用户的总数;t∈{1,2,3,…,T}表示第t小时,T表示一天中的最后一个小时;Pt表示第t小时的电力批发价格;ΔEi,t表示第i个用户在第t小时减少的电力需求;ri,t表示虚拟电厂在第t小时提供给第i个用户的激励率;rmin和rmax分别是激励率的下限和上限;Gt和Yt分别表示第t小时柴油发电机组的发电成本和启动成本;表示光伏在第t小时的发电量;Pres表示可再生能源参与方向虚拟电厂提供发电的规定价格;表示第t小时从电力批发市场购买的电力;gt表示柴油发电机组在第t小时的发电量;a,b和c是柴油发电机组发电成本的系数;xt表示在第t小时柴油发电机组状态的二进制变量,如果柴油发电机组在工作xt=1,否则xt=0;yt表示在第t小时柴油发电机组的启动成本;kt表示在第t小时柴油发电机组是否启动的二进制变量;Dt表示在第t小时用户参与虚拟电厂的需求响应调节后的实际用电需求;和分别表示在时间间隔(t-1,t)内储能系统的充电量和放电量。
用户在响应虚拟电厂的激励措施减少其电力需求时,可以获得奖励,但是,电力需求的减少会引起用户的不舒适,这种不舒适通常被建模为不满意成本。因此,用户的利润计算公式为:
μi>0
ωi>0
其中,αi表示第i个用户对激励收入和不满意成本之间相对重要性的态度;表示用户i在第t小时减少ΔEi,t电力需求时引起的不满意成本;μi和ωi是不满意成本的相关参数;Ei,t表示第i个消费者在第t小时的电力需求;ξt是第t小时的电力弹性系数,表示电力需求变化与激励率变化的比率。
将步骤S2中所得未来时间段内的电力批发价格、未来时间段内的光伏输出功率和未来时间段内的用户负荷输入到构建的面向虚拟电厂的激励需求响应模型的目标函数中,通过强化学习算法得到未来时间段内不同用户的最优激励率。
在具体实施过程中,该方法还包括:S4、根据最优激励率,进一步得到虚拟电厂内部市场中柴油发电机组、光伏以及储能系统的最优运行策略。具体实施过程如下:
首先,根据强化学习获得的最优激励率,通过公式可以得到用户的电力需求减少量,即虚拟电厂获得需求响应资源。然后,根据公式和便可以得到柴油发电机组的最优发电量、光伏的最优发电量和储能系统的最优充、放电量,即可获得虚拟电厂内部市场中各组成单元的最优运行策略。
本发明实施例还提供一种基于激励需求响应的虚拟电厂负荷优化调度系统,如图2所示,在该系统中预先构建深度神经网络预测模型,预先构建面向虚拟电厂的激励需求响应模型,该系统包括:
数据获取模块,用于获取数据集,对所述数据集进行预处理,所述数据集包括电力批发价格预测数据集、光伏输出功率预测数据集和用户负荷预测数据集;
预测模块,基于所述电力批发价格预测数据集、光伏输出功率预测数据集和用户负荷预测数据集分别对预先构建深度神经网络预测模型进行训练,得到电力批发价格预测模型、光伏输出功率预测模型和用户负荷预测模型,根据电力批发价格预测模型、光伏输出功率预测模型和用户负荷预测模型分别预测未来时间段内的电力批发价格、未来时间段内的光伏输出功率和未来时间段内的用户负荷;
最优激励率获取模块,用于基于未来时间段内的电力批发价格、未来时间段内的光伏输出功率、未来时间段内的用户负荷和面向虚拟电厂的激励需求响应模型,通过强化学习算法得到未来时间段内不同用户的最优激励率。
策略获取模块,用于根据最优激励率,得到虚拟电厂内部市场中柴油发电机组、光伏以及储能系统的最优运行策略。
可理解的是,本发明实施例提供的基于激励需求响应的虚拟电厂负荷优化调度系统与上述基于激励需求响应的虚拟电厂负荷优化调度方法相对应,其有关内容的解释、举例、有益效果等部分可以参考基于激励需求响应的虚拟电厂优化方法中的相应内容,此处不再赘述。
本发明实施例还提供一种计算机可读存储介质,其存储用于基于激励需求响应的虚拟电厂负荷优化调度的计算机程序,其中,所述计算机程序使得计算机执行如上述所述的基于激励需求响应的虚拟电厂负荷优化调度方法。
本发明实施例还提供一种电子设备,包括:
一个或多个处理器;
存储器;以及
一个或多个程序,其中所述一个或多个程序被存储在所述存储器中,并且被配置成由所述一个或多个处理器执行,所述程序包括用于执行如上述所述的基于激励需求响应的虚拟电厂负荷优化调度方法。
综上所述,与现有技术相比,具备以下有益效果:
1、本发明实施例首先通过基于深度神经网络的预测模型来预测电力批发价格、光伏输出功率和用户负荷,克服了可再生能源与其不确定性,以及环境的不确定性。通过强化学习获取不同用户的最优激励率,提高了最优激励率获取的准确性和自主性。
2、虚拟电厂的激励需求响应模型考虑了虚拟电厂的利润和用户的利润,在保证用户效益的同时,最大限度的提高了虚拟电厂的经济效益;
3、通过准确的最优激励率得到虚拟电厂内部市场中各组成单元的最优运行策略,提高电网系统可靠性。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
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)
1.一种基于激励需求响应的虚拟电厂负荷优化调度方法,其特征在于,所述方法预先构建深度神经网络预测模型,预先构建面向虚拟电厂的激励需求响应模型,所述方法包括以下步骤:
S1、获取数据集,对所述数据集进行预处理,所述数据集包括电力批发价格预测数据集、光伏输出功率预测数据集和用户负荷预测数据集;
S2、基于所述电力批发价格预测数据集、光伏输出功率预测数据集和用户负荷预测数据集分别对预先构建深度神经网络预测模型进行训练,得到电力批发价格预测模型、光伏输出功率预测模型和用户负荷预测模型,根据电力批发价格预测模型、光伏输出功率预测模型和用户负荷预测模型分别预测未来时间段内的电力批发价格、未来时间段内的光伏输出功率和未来时间段内的用户负荷;
S3、基于所述未来时间段内的电力批发价格、未来时间段内的光伏输出功率、未来时间段内的用户负荷和面向虚拟电厂的激励需求响应模型,通过强化学习算法得到未来时间段内不同用户的最优激励率。
2.如权利要求1所述的一种基于激励需求响应的虚拟电厂负荷优化调度方法,其特征在于,所述方法还包括:
S4、根据最优激励率,得到虚拟电厂内部市场中柴油发电机组、光伏以及储能系统的最优运行策略。
3.如权利要求1~2任一所述的一种基于激励需求响应的虚拟电厂负荷优化调度方法,其特征在于,所述深度神经网络预测模型包括一个输入层、三个隐藏层和一个输出层。
4.如权利要求1~2任一所述的一种基于激励需求响应的虚拟电厂负荷优化调度方法,其特征在于,基于所述电力批发价格预测数据集、光伏输出功率预测数据集和用户负荷预测数据集分别对预先构建深度神经网络预测模型进行训练,得到电力批发价格预测模型、光伏输出功率预测模型和用户负荷预测模型,包括:
将步骤S1中的3个数据集分别划分为输入集和期望输出集,将输入集Pricein、PVin、Loadin分别输入预先构建深度神经网络预测模型得到预测输出;
将期望输出集Priceout、PVout、Loadout分别输入预先构建的深度神经网络预测模型,在每次迭代中通过反向传播算法调整深度神经网络预测模型中每一层的权重和参数,使预测输出和期望输出之间的差异最小,得到电力批发价格预测模型、光伏输出功率预测模型和用户负荷预测模型。
5.如权利要求1~2任一所述的一种基于激励需求响应的虚拟电厂负荷优化调度方法,其特征在于,所述预先构建的面向虚拟电厂的激励需求响应模型目标函数为:
max(PFVPP+PFPC)
式中,PFVPP为虚拟电厂的利润,PFPC为用户的利润;
虚拟电厂的利润计算公式为:
rmin≤ri,t≤rmax
Gt=a·gt 2·xt+b·gt·xt+c
Yt=ytkt
kt=max(0,xt-xt-1)
其中,i∈{1,2,3,…,n}表示第i个用户,n是用户的总数;t∈{1,2,3,…,T}表示第t小时,T表示一天中的最后一个小时;Pt表示第t小时的电力批发价格;ΔEi,t表示第i个用户在第t小时减少的电力需求;ri,t表示虚拟电厂在第t小时提供给第i个用户的激励率;rmin和rmax分别是激励率的下限和上限;Gt和Yt分别表示第t小时柴油发电机组的发电成本和启动成本;表示光伏在第t小时的发电量;Pres表示可再生能源参与方向虚拟电厂提供发电的规定价格;表示第t小时从电力批发市场购买的电力;gt表示柴油发电机组在第t小时的发电量;a,b和c是柴油发电机组发电成本的系数;xt表示在第t小时柴油发电机组状态的二进制变量,如果柴油发电机组在工作xt=1,否则xt=0;yt表示在第t小时柴油发电机组的启动成本;kt表示在第t小时柴油发电机组是否启动的二进制变量;Dt表示在第t小时用户参与虚拟电厂的需求响应调节后的实际电力需求;和分别表示在时间间隔(t-1,t)内储能系统的充电量和放电量;
用户的利润计算公式为:
μi>0
ωi>0
其中,αi表示第i个用户对激励收入和不满意成本之间相对重要性的态度;表示用户i在第t小时减少ΔEi,t电力需求时引起的不满意成本;μi和ωi是不满意成本的相关参数;Ei,t表示第i个用户在第t小时的电力需求;ξt是第t小时的电力弹性系数,表示电力需求变化与激励率变化的比率。
6.一种基于激励需求响应的虚拟电厂负荷优化调度系统,其特征在于,在虚拟电厂优化调度系统中预先构建深度神经网络预测模型,预先构建面向虚拟电厂的激励需求响应模型,虚拟电厂负荷优化调度系统包括:
数据获取模块,用于获取数据集,对所述数据集进行预处理,所述数据集包括电力批发价格预测数据集、光伏输出功率预测数据集和用户负荷预测数据集;
预测模块,基于所述电力批发价格预测数据集、光伏输出功率预测数据集和用户负荷预测数据集分别对预先构建深度神经网络预测模型进行训练,得到电力批发价格预测模型、光伏输出功率预测模型和用户负荷预测模型,根据电力批发价格预测模型、光伏输出功率预测模型和用户负荷预测模型分别预测未来时间段内的电力批发价格、未来时间段内的光伏输出功率和未来时间段内的用户负荷;
最优激励率获取模块,用于基于未来时间段内的电力批发价格、未来时间段内的光伏输出功率、未来时间段内的用户负荷和面向虚拟电厂的激励需求响应模型,通过强化学习算法得到未来时间段内不同用户的最优激励率。
7.如权利要求6所述基于激励需求响应的虚拟电厂负荷优化调度系统,其特征在于,所述虚拟电厂负荷优化调度系统还包括:
策略获取模块,用于根据最优激励率,得到虚拟电厂内部市场中柴油发电机组、光伏以及储能系统的最优运行策略。
8.一种计算机可读存储介质,其特征在于,其存储用于基于激励需求响应的虚拟电厂负荷优化调度的计算机程序,其中,所述计算机程序使得计算机执行如权利要求1~5任一所述的基于激励需求响应的虚拟电厂负荷优化调度方法。
9.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储器;以及
一个或多个程序,其中所述一个或多个程序被存储在所述存储器中,并且被配置成由所述一个或多个处理器执行,所述程序包括用于执行如权利要求1~5任一所述的基于激励需求响应的虚拟电厂负荷优化调度方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211419445.4A CN116090730A (zh) | 2022-11-14 | 2022-11-14 | 基于激励需求响应的虚拟电厂负荷优化调度方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211419445.4A CN116090730A (zh) | 2022-11-14 | 2022-11-14 | 基于激励需求响应的虚拟电厂负荷优化调度方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116090730A true CN116090730A (zh) | 2023-05-09 |
Family
ID=86203267
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211419445.4A Pending CN116090730A (zh) | 2022-11-14 | 2022-11-14 | 基于激励需求响应的虚拟电厂负荷优化调度方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116090730A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116859739A (zh) * | 2023-07-18 | 2023-10-10 | 哈尔滨工业大学 | 一种适用于电热联供型虚拟电厂的强化学习控制方法及控制系统 |
CN117094453A (zh) * | 2023-10-20 | 2023-11-21 | 国网安徽省电力有限公司合肥供电公司 | 一种用于虚拟电厂的调度优化系统及其方法 |
CN117498469A (zh) * | 2024-01-03 | 2024-02-02 | 国网浙江省电力有限公司宁波供电公司 | 虚拟电厂能源管控方法、装置、计算机设备及存储介质 |
-
2022
- 2022-11-14 CN CN202211419445.4A patent/CN116090730A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116859739A (zh) * | 2023-07-18 | 2023-10-10 | 哈尔滨工业大学 | 一种适用于电热联供型虚拟电厂的强化学习控制方法及控制系统 |
CN116859739B (zh) * | 2023-07-18 | 2024-05-14 | 哈尔滨工业大学 | 一种适用于电热联供型虚拟电厂的强化学习控制方法及控制系统 |
CN117094453A (zh) * | 2023-10-20 | 2023-11-21 | 国网安徽省电力有限公司合肥供电公司 | 一种用于虚拟电厂的调度优化系统及其方法 |
CN117094453B (zh) * | 2023-10-20 | 2024-01-30 | 国网安徽省电力有限公司合肥供电公司 | 一种用于虚拟电厂的调度优化系统及其方法 |
CN117498469A (zh) * | 2024-01-03 | 2024-02-02 | 国网浙江省电力有限公司宁波供电公司 | 虚拟电厂能源管控方法、装置、计算机设备及存储介质 |
CN117498469B (zh) * | 2024-01-03 | 2024-05-17 | 国网浙江省电力有限公司宁波供电公司 | 虚拟电厂能源管控方法、装置、计算机设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Enhancing power system operational flexibility with flexible ramping products: A review | |
CN116090730A (zh) | 基于激励需求响应的虚拟电厂负荷优化调度方法和系统 | |
Gazijahani et al. | Game theory based profit maximization model for microgrid aggregators with presence of EDRP using information gap decision theory | |
CN110516843B (zh) | 一种虚拟电厂容量优化方法、设备以及系统 | |
Rahmani-Andebili et al. | Price-controlled energy management of smart homes for maximizing profit of a GENCO | |
CN110276698A (zh) | 基于多智能体双层协同强化学习的分布式可再生能源交易决策方法 | |
Lu et al. | A hybrid deep learning-based online energy management scheme for industrial microgrid | |
Zhang et al. | Efficient design of energy microgrid management system: a promoted Remora optimization algorithm-based approach | |
CN111340299A (zh) | 一种微电网多目标优化调度方法 | |
Chuang et al. | Deep reinforcement learning based pricing strategy of aggregators considering renewable energy | |
Shirsat et al. | Data-driven stochastic model predictive control for DC-coupled residential PV-storage systems | |
CN108288132B (zh) | 一种基于源荷互动电力系统调度的建模方法 | |
Sun et al. | Multi-objective solution of optimal power flow based on TD3 deep reinforcement learning algorithm | |
Dou et al. | Double‐deck optimal schedule of micro‐grid based on demand‐side response | |
Lopes et al. | Metaheuristic methods applied to the pumps and turbines configuration design of water pumped storage systems | |
CN110705738B (zh) | 基于人工智能的智能用电激励需求响应方法和系统 | |
Wang et al. | Reinforcement learning based bilevel real-time pricing strategy for a smart grid with distributed energy resources | |
CN115496378B (zh) | 一种计入风能减排效益的电力系统经济调度方法 | |
CN108539799B (zh) | 一种电网中风电的调度方法及装置 | |
Taniguchi et al. | Decentralized trading and demand side response in inter-intelligent renewable energy network | |
Xu et al. | Deep reinforcement learning based model-free optimization for unit commitment against wind power uncertainty | |
CN111126716A (zh) | 一种基于极端梯度提升算法预测电价的系统模型 | |
Ali et al. | A reinforcement learning approach to dairy farm battery management using Q learning | |
CN115422728A (zh) | 基于随机规划的鲁棒优化的虚拟电厂优化控制系统 | |
Lago et al. | Building day-ahead bidding functions for seasonal storage systems: A reinforcement learning approach |
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 |