CN116111599A - 一种基于区间预测的智能电网不确定性感知管理控制方法 - Google Patents
一种基于区间预测的智能电网不确定性感知管理控制方法 Download PDFInfo
- Publication number
- CN116111599A CN116111599A CN202211096606.0A CN202211096606A CN116111599A CN 116111599 A CN116111599 A CN 116111599A CN 202211096606 A CN202211096606 A CN 202211096606A CN 116111599 A CN116111599 A CN 116111599A
- Authority
- CN
- China
- Prior art keywords
- power
- control method
- management control
- uncertainty
- method based
- 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
- 238000000034 method Methods 0.000 title claims abstract description 61
- 230000008447 perception Effects 0.000 title claims abstract description 8
- 230000008901 benefit Effects 0.000 claims abstract description 26
- 238000004364 calculation method Methods 0.000 claims abstract description 15
- 238000010248 power generation Methods 0.000 claims description 48
- 238000007726 management method Methods 0.000 claims description 36
- 230000006870 function Effects 0.000 claims description 32
- 238000013500 data storage Methods 0.000 claims description 8
- 238000013459 approach Methods 0.000 claims description 6
- 230000006399 behavior Effects 0.000 claims description 6
- 230000007774 longterm Effects 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 238000007405 data analysis Methods 0.000 claims description 4
- 238000002955 isolation Methods 0.000 claims description 4
- 230000008439 repair process Effects 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 3
- 239000003795 chemical substances by application Substances 0.000 description 45
- 230000004044 response Effects 0.000 description 6
- 238000005457 optimization Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 239000003595 mist Substances 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011982 device technology Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000013076 uncertainty analysis Methods 0.000 description 1
- 230000002747 voluntary effect Effects 0.000 description 1
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
- H02J3/12—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load
- H02J3/14—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load by switching loads on to, or off from, network, e.g. progressively balanced loading
- H02J3/144—Demand-response operation of the power transmission or distribution network
-
- 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
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
- H02J13/00002—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by monitoring
-
- 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
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
- H02J13/00006—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by information or instructions transport means between the monitoring, controlling or managing units and monitored, controlled or operated power network element or electrical equipment
- H02J13/00022—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by information or instructions transport means between the monitoring, controlling or managing units and monitored, controlled or operated power network element or electrical equipment using wireless data transmission
-
- 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
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
- H02J13/00006—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by information or instructions transport means between the monitoring, controlling or managing units and monitored, controlled or operated power network element or electrical equipment
- H02J13/00028—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by information or instructions transport means between the monitoring, controlling or managing units and monitored, controlled or operated power network element or electrical equipment involving the use of Internet protocols
-
- 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
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
- H02J13/00032—Systems characterised by the controlled or operated power network elements or equipment, the power network elements or equipment not otherwise provided for
-
- 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
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/007—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources
- H02J3/0075—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources for providing alternative feeding paths between load and source according to economic or energy efficiency considerations, e.g. economic dispatch
-
- 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
- H02J2310/00—The network for supplying or distributing electric power characterised by its spatial reach or by the load
- H02J2310/50—The network for supplying or distributing electric power characterised by its spatial reach or by the load for selectively controlling the operation of the loads
- H02J2310/56—The network for supplying or distributing electric power characterised by its spatial reach or by the load for selectively controlling the operation of the loads characterised by the condition upon which the selective controlling is based
- H02J2310/58—The condition being electrical
- H02J2310/60—Limiting power consumption in the network or in one section of the network, e.g. load shedding or peak shaving
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Computer Networks & Wireless Communication (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于区间预测的智能电网不确定性感知管理控制方法，所述方法包括：步骤1、基于云服务和雾计算的两层分布式架构，针对电力系统的不确定性感知的能源管理，每一层的现有组件都确定明确的任务分配；步骤2、利用LSTM方法局部预测光伏输出功率、小型风力涡轮机输出功率和负载需求的不确定性；步骤3、使用多代理预测区间为每个消费者获得“需求范围”，并由可调度的发电机自己获得下一个时间区间，以达到最大的社会福利；本发明提高了智能电网能源效率水平，抵抗智能电网不确定性问题。
Description
技术领域
本发明属于智能电网技术领域，尤其涉及一种基于区间预测的智能电网不确定性感知管理控制方法。
背景技术
由于环境、金融等问题，电力供给侧、需求侧双向管理是世界各地电网的一个重要课题。智能电网采用先进的系统控制器、数据通信、网络和计算设备技术，可以方便地缓解该问题。然而，电网在能源管理方面的全部潜力仍未得到实现。事实上，智能电网有能力进一步开发自动化系统，挖掘发电和输电到不同类型消费者潜在联系，达到更高的能源效率水平。需求响应规划是提供一个更节能的电力系统和更合适的电力服务的关键。需求响应被定义为一种动机，旨在使电力消费者了解电价的变化。例如，当可再生能源发电厂，如风力涡轮机(WT)和光伏发电(PV)的最大输出功率足够时，可以通过降低店家鼓励客户在该时间段使用更多电力。
需求响应管理计划还可以包括对那些在高峰时间或电网可靠性面临风险时，对消费者的各种激励措施。动机和激励是为了吸引消费者，以更充分的方式安排电网和自己的电力需求。本发明的目的是建立一个公平的能源市场，以保证需求响应计划的所有参与者的平等权利。我们拟建立一个基于信任的短期能源市场需求响应方案，以自愿负荷需求和可调度发电机作为个人市场参与者，利用LSTM区间预测技术对智能电网内各类不确定因素进行感知管理并优化。贸易双方都有相同的比例和权利，可以在一个公平的市场上应用他们需求。作为一个系统基础设施，部署这个能源管理机制也有一些基本的要求。其中一些列出如下：安全和隐私，避免垄断，准确性，服务质量，不确定性意识，灵活性，可伸缩性，和适用性。为了拥有一个安全、可靠、灵活、自动化的智能电网能源管理系统，实现多智能体系统是一个足够的选择。传统的能源管理问题是使用集中式优化方法，如启发式算法来解决，而最近的研究是关于引入分布式方法的。我们可以将基于多主体的能源管理领域所使用的算法分为三大类：1)基于原始-对偶拉格朗日的方法；2)基于公共乘子交替方向法的方案；3)基于共识的平均方法。前两类的特点是灵活的方法和复杂的计算过程，可以解决非常广泛的问题，而第三类是具有较低覆盖面积的超快和轻计算过程的方法。
边缘计算或者雾计算是一种分布式体系结构，其小节点数量接近于用户，本地存储空间较短，处理器强度较弱。由于用户与雾节点之间的距离较小，数据通信将是高速和廉价的。雾计算可以是多智能体计算、无线传感器/执行器网络和自动化的最佳选择。此外，现有的研究人员利用基于共识的算法，引入一种考虑传输损耗的分布式算法。如三层的多智能体体系结构，用于住宅和工业需求的能源管理，解决能源管理问题的多智能体结构，但忽略了预测系统中不确定源的未来状态的重要作用。
不确定性是智能电网中不可避免的一部分。现有技术预测不确定性的方法，包括短期方案和长期方案。对于具有短期愿景的电力市场，短期计划的效率更高。有很多文献使用人工神经网络来实现这一目的。还有其他常用的预测方法，如分位数回归和混合神经网络等，但是都存在智能电网能源效率水平低，不能很好的预测智能电网不确定性问题等。
发明内容
本发明要解决的技术问题是：提供一种基于区间预测的智能电网不确定性感知管理控制方法，以提高智能电网能源效率水平，抵抗智能电网不确定性问题。
本发明的技术方案是：
一种基于区间预测的智能电网不确定性感知管理控制方法，所述方法包括：
步骤1、基于云服务和雾计算的两层分布式架构，针对电力系统的不确定性感知的能源管理，每一层的现有组件都确定明确的任务分配；
步骤2、利用LSTM方法局部预测光伏输出功率、小型风力涡轮机输出功率和负载需求的不确定性；
步骤3、使用多代理预测区间为每个消费者获得“需求范围”，并由可调度的发电机自己获得下一个时间区间，以达到最大的社会福利。
步骤1所述基于云服务和雾计算的两层分布式架构，包括：A雾层和B云层；
所述A雾层实现功能包括：
定价：可调度的消费者根据必须运行和可控的需求，在这一层用二次效用函数为自己指定能源价值；假设该定价方法是基于信任的，根据电力对负荷需求的必要性和电厂的实际发电成本，可调度发电单元根据局部发电成本定义其二次成本函数；
估计需求和产生：根据每个消费者过去消耗能源的记录量来预测需求，具有输出、WT和PV的生成单元，根据过去的先例来预测在下一个时间间隔内的生成；
更新价格状态：代理在开始每个时间间隔之前，与匿名邻居交换状态后，使用共识协议更新状态；
短时间数据存储：为雾层提供了短数据库，使本地单元能够在本地保存短期数据，并使用；每个代理的这个存储在每个时间间隔内保存交换的状态；此外，还需要从随机时间单元的最后几个时间间隔中记录下来，作为时间序列模型的预测系统的输入；
履行义务：单位达成一致后，按照所取得的发电和消费状态履行义务，否则，应在云层的监督下进行支出惩罚或其他类型的规则惩罚。
B云层功能包括：
长期数据存储和分析：实时数据保存在每个代理的数据库中，以供进一步分析；训练过程以离线方式部署，以更新预测模型；
功率不匹配计算：为满足公共需求，功率不匹配为0是电力系统中各电网的主要职责；为了达到这个目的，在每次迭代中，在公共云中，由电网所有者来监督功率不匹配参数；具有小型风力涡轮机输出功率的预测范围；负载需求的状态计算是基于光伏的预测间隔；上述数据是由该云服务以匿名的方式收集的，以保护各单位的隐私；在计算总功率失配后，这个量乘以一个系数作为惩罚因子传递给领导者；领导者由公共云中的服务随机完成；
隔离和执法：公共云负责观察代理的适当表现；如果系统中出现任何不当行为或投诉，服务部门或当局跟进并修复故障；如果一个代理没有正确响应，则应该将其与其他代理隔离，并对其邻居重复进行社区选举。
最大的社会福利的制定方法包括：
社会福利总额是指发电单位的福利总额和消费者的福利总额的最大金额。
为了解决最大化问题，同时考虑以下发电和消费之间的方程，以及发电机和消费者可接受范围的约束，作为公式(1)的初始条件，如下：
可调度PGen和不可调度机组的总发电量等于每次的总负荷需求PLoad；所述不可调度机组包括光伏PPV和小型涡轮机组PWT；
需求侧福利：负荷需求福利水平显示了消费者获得的盈余量，定义为客户赚取的公用事业价值与用于电力的金额与市场价格之间的差额λt列举如下
客户的效用功能Uj,t在上式中，遵循两个特征：该函数的边际效益是非递增和非负的，对0负荷需求的输出量应为0；还假设这个函数是二次型的，考虑到属性和假设，客户函数的最终公式如下：
最大限度地提高社会福利的方法为：根据公式1-4，简化问题的表述，得到下述公式：
即通过最小化公式(7)来最大限度地提高社会福利。
解决社会福利的方法包括：
采用一级共识协议，当总负荷需求等于总发电量和总发电量时获得最大的社会福利；市场价格与消费者的成本价值和发电机的效用价值相同；共识变量定义为可调度发电和消耗单位的边际成本，如下：
对于拟议的社会福利问题，第i个主体的共识变量的一般形式Λi写成：
Λi＝2Ai×Pi+Bi i∈VG∪VD (10)
其中代理被认为是可调度的负荷和发电机；
共识算法的更新规则如下，以获得代理之间的共识：
当总负荷需求满足总发电量时得到所有代理商的共识价格；使用(11)满足前一个条件，而后一个条件功率平衡通过添加一个由功率不匹配构造的惩罚因子作为先导代理来达到，如下所示：
更新边际成本后，更新生成和消费单位的新状态如下：
为了功率不平衡在智能电网中收敛于零。将PV和WT视为可再生电厂的功率错配计算如下：
每次更新后，应检查消耗和发电方面的功率限制：
利用LSTM方法局部预测光伏输出功率、小型风力涡轮机输出功率和负载需求的不确定性是指：从记录的时间序列中预测负载需求、PV和WT输出功率；也就是通过计算之前的样本如何影响当前样本，从连续时间内的一系列样本点中预测每个随机源的未来状态；这个建模过程是通过LSTM方法来完成的，这是一种基于序列的方法，带有一个内存单元来保存来自过去的有用信息。
本发明的有益效果：
本发明基于多代理的深度学习算法，其中代理被定义为志愿消费者和可调度生成器。每个消费者都可以在运行的每一个时间间隔内自愿为其电力需求定价，保证消费者和发电方在电力管理中的平等权利；此外，应用分布式深度学习不确定性分析的方法，计算系统中具有随机性质源的局部预测区间，如负载、小型风力涡轮机和屋顶光伏；利用负荷需求和随机发电输出的预测范围，为每个代理提供了一个功耗/发电的范围，称为“需求范围”；利用雾计算部署进行快速计算，并为本地提供合理定价；云服务作为虚拟应用程序作为高效的数据库和计算单元。
本发明基于云雾架构的多智能体智能电网的不确定性感知能源管理，利用LSTM方法，以负荷、PV和WT的预测样本数据作为该系统的不确定源，构建最优预测区间，来对抗智能电网的不确定性因素。
本发明的云雾架构，雾层进行定价、估计需求和产能、更新价格状态、短期数据存储，云层进行长期数据存储和分析、功率不匹配计算、领导人和邻里选举、隔离和执法、法规和法律更新等相关服务，这使得只能电网能源管理更加可行、快速、灵活、安全、可靠的。
本发明提高了智能电网能源效率水平，抵抗智能电网不确定性问题。
附图说明
图1为本发明流程示意图。
具体实施方式
本发明包括：
步骤1、引入了一种基于云服务和雾计算的新型两层分布式架构，针对电力系统的不确定性感知的能源管理，每一层的现有组件都有明确的任务分配。
本发明提出了一种云-雾体系结构作为多智能体系统的基础设施，作为一种灵活和可扩展的结构。每一层的责任解释如下：
A雾层：
雾层是一种分布式体系结构，其小节点数量接近于用户，本地存储空间较短，处理器强度较弱。由于用户与雾节点之间的距离较小，数据通信将是高速和廉价的。雾计算可以是多智能体计算、无线传感器/执行器网络和自动化的最佳选择。本发明雾层的职责如下。
定价：可调度的消费者根据他们必须运行和可控的需求，在这一层用二次效用函数为自己指定能源价值。假设该定价方法是基于信任的，根据电力对负荷需求的必要性和电厂的实际发电成本。可调度发电单元也根据其局部发电成本定义其二次成本函数。
估计需求和产生：可以根据每个消费者过去消耗能源的记录量来预测其需求。本文中具有输出、WT和PV的生成单元，可以根据它们过去的先例来预测它们在下一个时间间隔内的生成。本发明用LSTM进行预测。
更新价格状态：代理在开始每个时间间隔之前，与匿名邻居交换其状态后，使用共识协议更新其状态。邻域是由每个时间间隔内的云层随机决定的。这种状态被测量了两次：1)随机生成的上界和负荷需求的下界(业主使用的光伏的最大生成)，2)随机生成的下界和负荷需求的上界(业主使用的光伏的最小生成)。基于更新的每个代理的最终结果是代理应该准备的负载需求或发电功率的范围。
短时间数据存储：为雾层提供了短数据库，使本地单元能够在本地保存其短期数据，并以非常快的方式使用它们。每个代理的这个存储可以在每个时间间隔内保存交换的状态。此外，还需要从随机时间单元的最后几个时间间隔中记录下来，作为时间序列模型的预测系统的输入。因此，这些短时间的记录，例如一天或一周，被本地保存在雾层的短数据库中。全部记录和数据将被保存在云数据库中，以供长期分析。
履行义务：单位达成一致后，按照所取得的发电和消费状态履行其义务。否则，应在云层的监督下进行支出惩罚或其他类型的规则惩罚。
B云层：
云计算被微软Azure定义为“简单地说，云计算是通过互联网(“云”)提供的计算服务——包括服务器、存储、数据库、网络、软件、分析和智能——以提供更快的创新、灵活的资源和规模经济。”对于一个高效的多智能体基础设施，云计算是一个可行的选择。云计算提供的各种服务可以以适当的速度和合理的成本促进运行。部署云计算有三种不同的方法：1)私有云，以安全和独家的方式使用的单一用户/组织；2)由云所有者或第三方运营的公共云，更一般的应用范围，更广的用户，隐私程度较低；和3)混合云，这是其他两种方法的组合。
在发明中，我们提出了一种混合云来保护敏感信息的数据隐私，并同时拥有一个具有以下特性的集成系统。
长期数据存储和分析：实时数据可以保存在每个代理的更大的数据库中，以供进一步分析。其中一个重要的分析是预测。本文提出了针对预测系统的LSTM方法。训练过程可以经常以离线方式部署，以更新预测模型。云服务提供足够的可用于大量计算和大型数据库，而几乎无需进行现场资产投资。
功率不匹配计算：为满足公共需求，功率不匹配为0是电力系统中各电网的主要职责。为了达到这个目的，在每次迭代中，在公共云中，由电网所有者来监督功率不匹配参数。该云具有小型风力涡轮机输出功率的预测范围。此外，负载需求的状态计算是基于光伏的预测间隔。上述数据是由该云服务以匿名的方式收集的，以保护各单位的隐私。在计算总功率失配后，这个量乘以一个系数作为其惩罚因子传递给领导者。其中领导者由公共云中的服务随机完成。
隔离和执法：公共云负责观察代理的适当表现。如果系统中出现任何不当行为或投诉，服务部门或当局应跟进并修复故障。如果一个代理没有正确响应，则应该将其与其他代理隔离，并对其邻居重复进行社区选举。
此外，黑客、违法者和对其责任不可靠的代理人都应受到相关法律的处罚或处罚。法规和法律的更新：每个智能和集成的系统都需要进行更新。代理应该能够可靠地更新系统的软件、服务，并在需要时修复它们。这项职责是由一个公共云来执行的。此外，各种法律和协议应该由这个云来管理和执行，并更新并向现有参与者广播，以保护系统免受恶意方和违法者的侵害。考虑到各层的责任，所提出的基于多主体的能源管理框架的流程图如图1所示。
步骤2、提出了一种新的体系结构，利用LSTM方法局部预测光伏输出功率、小型风力涡轮机输出功率和负载需求的不确定性。
基于LSTM的预测系统，目的是从记录的时间序列中预测负载需求、PV和WT输出功率。换句话说就是通过计算之前的样本如何影响当前样本，从连续时间内的一系列样本点中预测每个随机源的未来状态。这个建模过程是通过LSTM方法来完成的，这是一种基于序列的方法，带有一个内存单元来保存来自过去的有用信息。
步骤3、使用多代理预测区间为每个消费者获得“需求范围”，并由可调度的发电机自己获得下一个时间区间，以达到最大的社会福利。这个范围有助于电力系统以一个预定义的概率来抵抗计划外的不确定性。
优化目标：
本发明的主要目的是提高自愿参与需求响应计划的发电单位和消费者的社会福利。特定时间的最大社会福利制定如下：
社会福利总额是指发电单位的福利总额和消费者的福利总额的最大金额。其中，SWt为在时间间隔t时的最大社会福利，Wi,G,Wj,D为第i个可调度发电机的福利函数和第j个时间间隔t的负荷需求，
为第i台可调度发电机的发电功率和时间间隔t的第j次负荷需求。
总发电量应等于每次运行时所有消耗功率之和，以满足功率平衡。此外，每台机组，无论是发电或消耗量，都应在其标称的范围内运行。因此，为了解决最大化问题，我们应该同时考虑以下发电和消费之间的方程，以及发电机和消费者可接受范围的约束，作为(1)的初始条件，如下：
如上所示，可调度PGen和不可调度机组(本文中的光伏PPV和小型涡轮机组PWT被视为不可调度机组)的总发电量等于每次的总负荷需求PLoad，
为第i个可调度发电机在时间间隔t时的最小和最大发电能力。
需求侧福利：负荷需求福利水平显示了消费者获得的盈余量，定义为客户赚取的公用事业价值与用于电力的金额与市场价格之间的差额λt列举如下
客户的效用函数Uj,t在上式中，应遵循两个主要特征：该函数的边际效益是非递增和非负的，对0负荷需求的输出量应为0。λt为在时间间隔t时的市场价格，Wj,D为第j个时间间隔t的负荷需求，Uj,t为用户j在时间间隔t的效用函数，
为时间间隔t的第j次负荷需求，VD为索引合集。
除了上述性质外，我们还假设这个函数是二次型的。考虑到属性和假设，客户函数的最终公式如下：
其中bj,t,wj,t第j个可调度用户的效用函数参数，Uj,t为用户j在时间间隔t的效用函数，
为时间间隔t的第j次负荷需求，VD为索引集合。
优化问题：
根据前面解释的方程，我们可以简化问题的表述，并简要地总结以下公式：
其中Cj,t为可调度发电机i的代价函数，
为时间间隔t第i台可调度发电机的发电功率，αi,t，βi,t和γi,t为第i台可调度发电机的成本函数参数。
即通过最小化(7)来最大限度地提高社会福利(1)。其中Cj,t为可调度发电机i的代价函数，Uj,t为用户j在时间间隔t的效用函数，
为第i台可调度发电机的发电功率和时间间隔t的第j次负荷需求，
第i个可调度发电机在时间间隔t时的最小和最大发电能力。
解决社会福利问题的算法：
本发明采用一级共识协议，当总负荷需求等于总发电量和总发电量时，可以获得最大的社会福利。市场价格与消费者的成本价值和发电机的效用价值相同。共识变量定义为可调度发电和消耗单位(代理)的边际成本，其中
为发电代理i和负荷需求代理i的边际价格，
为第i台可调度发电机的发电功率和第j次负荷需求。
如下：
对于拟议的社会福利问题，第i个主体的共识变量的一般形式Λi可以写成：
Λi＝2Ai×Pi+Bi i∈VG∪VD (10)
其中代理被认为是可调度的负荷和发电机，A和B为代理参数，VD,VG为负载需求，图的顶点集
共识算法的更新规则如下，以获得代理之间的共识：
当总负荷需求满足总发电量时，应得到所有代理商的共识价格Λi，dij为加权矩阵。使用(11)满足前一个条件，而后一个条件(功率平衡)应通过添加一个由功率不匹配构造的惩罚因子作为先导代理来达到，如下所示：
其中dij为加权矩阵，ε为最小正值，ΔP为功率不匹配参数，VD,VG，Vleader为负载需求，图和引线的顶点集。
更新边际成本后，更新生成和消费单位的新状态如下：
其中
为第i个发电代理和j负荷需求代理的边际价格，
第i台可调度发电机的发电功率和第j次负荷需求，βi为第i台可调度发电机的成本函数参数，wj为第j个可调度用户的效用函数参数。
为了功率不平衡在智能电网中收敛于零。将PV和WT视为可再生电厂的功率错配计算如下：
其中
为第j个负荷需求，
为第i个可调度发电机的发电能力，
为第i个PV和WT的输出功率
每次更新后，应检查消耗和发电方面的功率限制：
其中k为迭代指数，
为第i个可调度发电机最小和最大发电能力，
第i台可调度发电机的发电功率和第j次负荷需求。
Claims (8)
1.一种基于区间预测的智能电网不确定性感知管理控制方法，其特征在于：所述方法包括：
步骤1、建立基于云服务和雾计算的两层分布式架构，针对电力系统的不确定性感知的能源管理，建立每一层的现有组件都确定明确的任务分配；
步骤2、根据采集的相关数据信息利用LSTM方法局部预测光伏输出功率、小型风力涡轮机输出功率和负载需求的不确定性；
步骤3、使用多代理预测区间为每个消费者获得“需求范围”，并由可调度的发电机自己获得下一个时间区间，以达到最大的社会福利。
2.根据权利要求1所述的一种基于区间预测的智能电网不确定性感知管理控制方法，其特征在于：步骤1所述基于云服务和雾计算的两层分布式架构，包括：A雾层和B云层；
所述A雾层实现功能包括：
定价：可调度的消费者根据必须运行和可控的需求，在这一层用二次效用函数为自己指定能源价值；假设该定价方法是基于信任的，根据电力对负荷需求的必要性和电厂的实际发电成本，可调度发电单元根据局部发电成本定义其二次成本函数；
估计需求和产生：根据每个消费者过去消耗能源的记录量来预测需求，具有输出、WT和PV的生成单元，根据过去的先例来预测在下一个时间间隔内的生成；
更新价格状态：代理在开始每个时间间隔之前，与匿名邻居交换状态后，使用共识协议更新状态；
短时间数据存储：为雾层提供了短数据库，使本地单元能够在本地保存短期数据并使用；每个代理的这个存储在每个时间间隔内保存交换的状态；此外，还需要从随机时间单元的最后几个时间间隔中记录下来，作为时间序列模型的预测系统的输入；
履行义务：单位达成一致后，按照所取得的发电和消费状态履行义务，否则，应在云层的监督下进行支出惩罚或其他类型的规则惩罚。
3.根据权利要求2所述的一种基于区间预测的智能电网不确定性感知管理控制方法，其特征在于：B云层功能包括：
长期数据存储和分析：实时数据保存在每个代理的数据库中，以供进一步分析；训练过程以离线方式部署，以更新预测模型；
功率不匹配计算：为满足公共需求，功率不匹配为0是电力系统中各电网的职责；为了达到这个目的，在每次迭代中，在公共云中由电网所有者来监督功率不匹配参数；具有小型风力涡轮机输出功率的预测范围；负载需求的状态计算是基于光伏的预测间隔；上述数据是由该云服务以匿名的方式收集的，以保护各单位的隐私；在计算总功率失配后，这个量乘以一个系数作为惩罚因子传递给领导者；领导者由公共云中的服务随机完成；
隔离和执法：公共云负责观察代理的适当表现；如果系统中出现任何不当行为或投诉，服务部门或当局跟进并修复故障；如果一个代理没有正确响应，则应该将其与其他代理隔离，并对其邻居重复进行社区选举。
4.根据权利要求1所述的一种基于区间预测的智能电网不确定性感知管理控制方法，其特征在于：最大的社会福利的制定方法包括：
社会福利总额是指发电单位的福利总额和消费者的福利总额的最大金额。
5.根据权利要求4所述的一种基于区间预测的智能电网不确定性感知管理控制方法，其特征在于：为了解决最大化问题，同时考虑以下发电和消费之间的方程，以及发电机和消费者可接受范围的约束，作为公式(1)的初始条件，如下：
可调度PGen和不可调度机组的总发电量等于每次的总负荷需求PLoad；所述不可调度机组包括光伏PPV和小型涡轮机组PWT；
需求侧福利：负荷需求福利水平显示了消费者获得的盈余量，定义为客户赚取的公用事业价值与用于电力的金额与市场价格之间的差额λt列举如下
客户的效用功能Uj,t在上式中，遵循两个特征：该函数的边际效益是非递增和非负的，对0负荷需求的输出量应为0；还假设这个函数是二次型的，考虑到属性和假设，客户函数的最终公式如下：
6.根据权利要求5所述的一种基于区间预测的智能电网不确定性感知管理控制方法，其特征在于：最大限度地提高社会福利的方法为：根据公式1-4，简化问题的表述，得到下述公式：
即通过最小化公式(7)来最大限度地提高社会福利。
7.根据权利要求6所述的一种基于区间预测的智能电网不确定性感知管理控制方法，其特征在于：解决社会福利的方法包括：
采用一级共识协议，当总负荷需求等于总发电量和总发电量时获得最大的社会福利；市场价格与消费者的成本价值和发电机的效用价值相同；共识变量定义为可调度发电和消耗单位的边际成本，如下：
对于拟议的社会福利问题，第i个主体的共识变量的一般形式Λi写成：
Λi＝2Ai×Pi+Bi i∈VG∪VD (10)
其中代理被是可调度的负荷和发电机；
共识算法的更新规则如下，以获得代理之间的共识：
当总负荷需求满足总发电量时得到所有代理商的共识价格；使用(11)满足前一个条件，而后一个条件功率平衡通过添加一个由功率不匹配构造的惩罚因子作为先导代理来达到，如下所示：
更新边际成本后，更新生成和消费单位的新状态如下：
为了功率不平衡在智能电网中收敛于零。将PV和WT视为可再生电厂的功率错配计算如下：
每次更新后，应检查消耗和发电方面的功率限制：
8.根据权利要求6所述的一种基于区间预测的智能电网不确定性感知管理控制方法，其特征在于：利用LSTM方法局部预测光伏输出功率、小型风力涡轮机输出功率和负载需求的不确定性是指：从记录的时间序列中预测负载需求、PV和WT输出功率；也就是通过计算之前的样本如何影响当前样本，从连续时间内的一系列样本点中预测每个随机源的未来状态；这个建模过程是通过LSTM方法来完成的，这是一种基于序列的方法，带有一个内存单元来保存来自过去的有用信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211096606.0A CN116111599A (zh) | 2022-09-08 | 2022-09-08 | 一种基于区间预测的智能电网不确定性感知管理控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211096606.0A CN116111599A (zh) | 2022-09-08 | 2022-09-08 | 一种基于区间预测的智能电网不确定性感知管理控制方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116111599A true CN116111599A (zh) | 2023-05-12 |
Family
ID=86266195
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211096606.0A Pending CN116111599A (zh) | 2022-09-08 | 2022-09-08 | 一种基于区间预测的智能电网不确定性感知管理控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116111599A (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110310014A (zh) * | 2019-06-05 | 2019-10-08 | 清华大学 | 基于过渡矩阵的泛在电力物联网分布式经济调度方法 |
| CN111242443A (zh) * | 2020-01-06 | 2020-06-05 | 国网黑龙江省电力有限公司 | 基于深度强化学习的能源互联网中虚拟电厂经济调度方法 |
| CN112215687A (zh) * | 2020-11-17 | 2021-01-12 | 东北大学 | 一种基于云边协同的家庭微网自主竞价系统及方法 |
| CN113629779A (zh) * | 2021-08-06 | 2021-11-09 | 国网安徽省电力有限公司经济技术研究院 | 一种服务碳减排的多智能体电力需求响应方法 |
| CN113836796A (zh) * | 2021-09-08 | 2021-12-24 | 清华大学 | 一种基于云边协同的配电物联网数据监测系统及调度方法 |
| CN114139730A (zh) * | 2021-06-30 | 2022-03-04 | 武汉大学 | 一种面向边缘云网络中机器学习任务的动态定价和部署方法 |
| CN114219212A (zh) * | 2021-11-12 | 2022-03-22 | 国网河北省电力有限公司 | 一种计及泛在电力物联与边缘计算的需求侧资源柔性调度方法 |
-
2022
- 2022-09-08 CN CN202211096606.0A patent/CN116111599A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110310014A (zh) * | 2019-06-05 | 2019-10-08 | 清华大学 | 基于过渡矩阵的泛在电力物联网分布式经济调度方法 |
| CN111242443A (zh) * | 2020-01-06 | 2020-06-05 | 国网黑龙江省电力有限公司 | 基于深度强化学习的能源互联网中虚拟电厂经济调度方法 |
| CN112215687A (zh) * | 2020-11-17 | 2021-01-12 | 东北大学 | 一种基于云边协同的家庭微网自主竞价系统及方法 |
| CN114139730A (zh) * | 2021-06-30 | 2022-03-04 | 武汉大学 | 一种面向边缘云网络中机器学习任务的动态定价和部署方法 |
| CN113629779A (zh) * | 2021-08-06 | 2021-11-09 | 国网安徽省电力有限公司经济技术研究院 | 一种服务碳减排的多智能体电力需求响应方法 |
| CN113836796A (zh) * | 2021-09-08 | 2021-12-24 | 清华大学 | 一种基于云边协同的配电物联网数据监测系统及调度方法 |
| CN114219212A (zh) * | 2021-11-12 | 2022-03-22 | 国网河北省电力有限公司 | 一种计及泛在电力物联与边缘计算的需求侧资源柔性调度方法 |
Non-Patent Citations (1)
| Title |
|---|
| 符早;何兴;李传东;黄廷文;: "分布式一致性算法在微网社会福利问题中的应用", 中国科学:信息科学, no. 03, 20 March 2017 (2017-03-20), pages 67 - 80 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zia et al. | Microgrids energy management systems: A critical review on methods, solutions, and prospects | |
| Scarabaggio et al. | Distributed demand side management with stochastic wind power forecasting | |
| Faraji et al. | Optimal day-ahead self-scheduling and operation of prosumer microgrids using hybrid machine learning-based weather and load forecasting | |
| Li et al. | Review of building energy modeling for control and operation | |
| Alqurashi et al. | Treatment of uncertainty for next generation power systems: State-of-the-art in stochastic optimization | |
| Amjady et al. | Midterm demand prediction of electrical power systems using a new hybrid forecast technique | |
| Umeozor et al. | Operational scheduling of microgrids via parametric programming | |
| Rosato et al. | Two-stage dynamic management in energy communities using a decision system based on elastic net regularization | |
| Li et al. | A noncooperative game-based approach for microgrid planning considering existing interconnected and clustered microgrids on an island | |
| Hafeez et al. | Utilization of EV charging station in demand side management using deep learning method | |
| Bagheri et al. | Stochastic optimization and scenario generation for peak load shaving in Smart District microgrid: sizing and operation | |
| Huy et al. | Real-time energy scheduling for home energy management systems with an energy storage system and electric vehicle based on a supervised-learning-based strategy | |
| Gao et al. | An iterative optimization and learning-based IoT system for energy management of connected buildings | |
| Amasyali et al. | Hierarchical model-free transactional control of building loads to support grid services | |
| Haidar et al. | An effective power dispatch strategy for clustered microgrids while implementing optimal energy management and power sharing control using power line communication | |
| Matijašević et al. | A systematic review of machine learning applications in the operation of smart distribution systems | |
| Mohseni et al. | Stochastic, resilience-oriented optimal sizing of off-grid microgrids considering EV-charging demand response: An efficiency comparison of state-of-the-art metaheuristics | |
| Ceccon et al. | Intelligent electric power management system for economic maximization in a residential prosumer unit | |
| Ju et al. | Three‐level energy flexible management strategy for micro energy grids considering multiple uncertainties at different time scales | |
| Aghajani et al. | Optimal energy storage sizing and offering strategy for the presence of wind power plant with energy storage in the electricity market | |
| Yuill et al. | Application of Adaptive Neuro Fuzzy Inference System (ANFIS) based short term load forecasting in South African power networks | |
| Barone et al. | The role of energy communities in electricity grid balancing: A flexible tool for smart grid power distribution optimization | |
| CN113690885A (zh) | 一种供电控制方法及供电平台 | |
| Lujano-Rojas et al. | Novel probabilistic optimization model for lead-acid and vanadium redox flow batteries under real-time pricing programs | |
| CN116111599A (zh) | 一种基于区间预测的智能电网不确定性感知管理控制方法 |
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 |