CN116341762B - 高海拔风电供电系统最优能流求解方法及系统 - Google Patents
高海拔风电供电系统最优能流求解方法及系统 Download PDFInfo
- Publication number
- CN116341762B CN116341762B CN202310579723.0A CN202310579723A CN116341762B CN 116341762 B CN116341762 B CN 116341762B CN 202310579723 A CN202310579723 A CN 202310579723A CN 116341762 B CN116341762 B CN 116341762B
- Authority
- CN
- China
- Prior art keywords
- power supply
- cost
- supply system
- energy
- subsystem
- 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
- 238000000034 method Methods 0.000 title claims abstract description 97
- 238000009826 distribution Methods 0.000 claims abstract description 103
- 238000005457 optimization Methods 0.000 claims abstract description 96
- 230000008859 change Effects 0.000 claims abstract description 7
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 48
- 239000007789 gas Substances 0.000 claims description 30
- 239000003345 natural gas Substances 0.000 claims description 24
- 238000005265 energy consumption Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 10
- 238000013468 resource allocation Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 21
- 230000008901 benefit Effects 0.000 description 5
- 238000010248 power generation Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000009977 dual effect Effects 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 241000589562 Brucella Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种高海拔风电供电系统最优能流求解方法,包括以下步骤:S1、将高海拔供电系统中能源集线器的出力作为变量,调节各个子系统节点的功率,并根据节点的功率变化动态调整高海拔供电系统整体成本,并以其整体成本最小构建最优能流模型;S2、引入Sinkhorn距离公式,以弃风成本函数作为目标函数来得到Sinkhorn分布鲁棒优化公式;S3、求解Sinkhorn分布鲁棒优化公式,得到风机预测出力的最优解后,对各个子系统的功率进行相应调整,并进一步求解高海拔供电系统最优的运行成本。本发明可对高海拔风电供电系统进行最优资源配置,降低整个高海拔风电供电系统运行成本,且对成本和计算时间均有所提升。
Description
技术领域
本发明涉及清洁能源领域,尤其涉及一种基于Sinkhorn分布鲁棒优化的高海拔风电供电系统最优能流求解方法及系统。
背景技术
智慧能源系统通过对电力、热力以及天然气的统一调度来实现能源之间的互补。而随着风力发电等新能源的接入,虽然其清洁性能满足人们对环保的要求,但由于风力发电的不确定性会对高海拔供电系统带来冲击,所以为了充分发挥风力发电等新能源的清洁性并减少其带来的出力间歇性和随机性问题,需要对其进行控制以得到资源配置最优的效果。
以往人们解决风电不确定性问题的方法大多是采用随机优化或鲁棒优化。随机优化(Stochastic Optimization,SO)方法主要是以系统的经济性为目标,假设风电的出力误差为满足概率约束的某一个概率分布来建立系统模型;鲁棒优化(Robust Optimization,RO)方法主要是将风电出力场景进行限制,将其控制在一个不确定集内,并对其进行转化,通过求解转化后的确定性问题来得到结果,所以其结果往往趋于保守。两种方法在机组组合、经济调度等领域都有着广泛的应用。
分布鲁棒优化方法相比上述两种方法,主要是通过历史数据来得到包含所有风电出力可能分布的模糊不确定集,并在模糊不确定集中求解最差情况下的最优解。目前主流的模糊不确定集建立方法主要有基于假设检验、基于矩不确定信息与基于Wasserstein距离等方法。随着时间的推进,上述方法虽然能满足建立模糊不确定集的条件,但其局限性仍无法避免:1)假设检验在建立模糊不确定集时没有充分考虑真实分布,其结果较为保守;2)矩信息则是由历史数据计算得到,其结果不确定性较大; 3)Wasserstein距离计算较为复杂,求解时所涉及得到的某些函数可处理性较差。
发明内容
本发明主要目的在于提供一种可对高海拔风电供电系统进行最优资源配置,降低整个高海拔风电供电系统运行成本,且降低运行成本计算复杂度、避免保守,提高处理性的基于Sinkhorn分布鲁棒优化的高海拔风电供电系统最优能流求解方法及系统。
本发明所采用的技术方案是:
提供一种基于Sinkhorn分布鲁棒优化的高海拔风电供电系统最优能流求解方法,包括以下步骤:
S1、将高海拔供电系统中能源集线器的出力作为变量,调节各个子系统节点的功率,并根据节点的功率变化动态调整高海拔供电系统整体成本,并以其整体成本最小构建最优能流模型:
(1)
(2)
(3)
(4)
其中,高海拔供电系统包括新能源电力子系统、热力子系统、天然气子系统及能源集线器,各个子系统包括多个节点,能源集线器包括燃气轮机和热电联产机组;为高海拔供电系统的运行成本;/>为热电联产机组消耗能源所带来的成本;/>为燃气轮机消耗能源所带来的成本;/>为弃风成本;/>为热电联产机组的能源消耗成本系数;/>为能源集线器所接新能源电力子系统节点的发电有功功率;/>为能源集线器所接热力子系统节点的供热有功功率;/>为燃气轮机的能源消耗成本系数;/>为弃风惩罚系数;为风机预测出力;/>为风机实际出力;
S2、引入Sinkhorn距离公式(5),将弃风成本作为目标函数得到Sinkhorn分布鲁棒优化公式(6):
(5)
(6)
其中,为Sinkhorn距离;/>为函数下确界;/>和/>为概率分布;/>为边际分布;/>表示第一边际分布、第二边际分布分别为/>和/>的联合分布集;/>为数学期望;/>和/>为欧几里得空间中的坐标;/>表示代价函数;/>为正则化参数;/>和/>分别为/>和/>的参考度量;/>表示/>相对于乘积度量/>的相对熵;/>为函数上确界;将公式(4)进行改写并作为公式(6)的目标函数,该目标函数为/>,其中/>,u为预设系数;/>为决策向量,对应为风机预测出力,/>为随机需求,对应为风机实际出力,/>表示弃风成本;/>为可行集,其包含风机预测出力所有可能的取值;/>为Sinkhorn球半径;/>为根据历史数据获得的样本经验分布;/>为以/>为中心的Sinkhorn球;
S3、求解Sinkhorn分布鲁棒优化公式(6),得到风机预测出力的最优解后,对各个子系统的功率进行相应调整,并进一步通过公式(1)-(4)求解最小。
接上述技术方案,步骤S3具体通过批量梯度下降与等分搜索方法求解Sinkhorn分布鲁棒优化公式(6)。
接上述技术方案,高海拔供电系统具体在能源集线器的调度调控下为用户提供对应能源。
提供一种基于Sinkhorn分布鲁棒优化的高海拔风电供电系统最优能流求解系统,包括:
最优能流模型构建模块,用于将高海拔供电系统中能源集线器的出力作为变量,调节各个子系统节点的功率,并根据节点的功率变化动态调整高海拔供电系统整体成本,并以其整体成本最小构建最优能流模型:
(1)
(2)
(3)
(4)
其中,高海拔供电系统包括新能源电力子系统、热力子系统、天然气子系统及能源集线器,各个子系统包括多个节点,能源集线器包括燃气轮机和热电联产机组;为高海拔供电系统的运行成本;/>为热电联产机组消耗能源所带来的成本;/>为燃气轮机消耗能源所带来的成本;/>为弃风成本;/>为热电联产机组的能源消耗成本系数;/>为能源集线器所接新能源电力子系统节点的发电有功功率;/>为能源集线器所接热力子系统节点的供热有功功率;/>为燃气轮机的能源消耗成本系数;/>为弃风惩罚系数;为风机预测出力;/>为风机实际出力;
Sinkhorn分布鲁棒优化模块,用于引入Sinkhorn距离公式(5),以弃风成本作为目标函数得到Sinkhorn分布鲁棒优化公式(6):
(5)
(6)
其中,为Sinkhorn距离;/>为函数下确界;/>和/>为概率分布;/>为边际分布;/>表示第一边际分布、第二边际分布分别为/>和/>的联合分布集;/>为数学期望;/>和/>为欧几里得空间中的坐标;/>表示代价函数;/>为正则化参数;/>和/>分别为/>和/>的参考度量;/>表示/>相对于乘积度量/>的相对熵;/>为函数上确界;将公式(4)进行改写并作为公式(6)的目标函数,该目标函数为/>,其中/>,u为预设系数;/>为决策向量,对应为风机预测出力,/>为随机需求,对应为风机实际出力,/>表示弃风成本;/>为可行集,其包含风机预测出力所有可能的取值;/>为Sinkhorn球半径;/>为根据历史数据获得的样本经验分布;/>为以/>为中心的Sinkhorn球;
求解调整模块,用于求解Sinkhorn分布鲁棒优化公式(6),得到风机预测出力的最优解后,对各个子系统的功率进行相应调整,并进一步通过公式(1)-(4)求解最小。
接上述技术方案,求解调整模块具体通过批量梯度下降与等分搜索方法求解Sinkhorn分布鲁棒优化公式(6)。
接上述技术方案,高海拔供电系统具体在能源集线器的调度调控下为用户提供对应能源。
接上述技术方案,新能源电力子系统接入风机。
接上述技术方案,燃气轮机连接在天然气子系统和热力子系统之间;热电联产机组连接在三个子系统之间。
接上述技术方案,天然气子系统中还包括多个压缩机。
本发明还提供一种计算机存储介质,其内存储有可被处理器执行的计算机程序,该计算机程序执行上述技术方案所述的基于Sinkhorn分布鲁棒优化的高海拔风电供电系统最优能流求解方法。
本发明产生的有益效果是:本发明基于Sinkhorn距离的方法来对风电不确定性进行建模,在对系统弃风成本进行优化求解后,进一步对各个子系统的功率进行调整,包括对能源集线器的功率进行调整,通过对电气热这三种资源的快速配置,实现整体系统的成本最优。该方法充分考虑到真实分布与建立的假设分布之间的关系,降低了保守性,其保守性居于随机优化和鲁棒优化之间,在求解不确定问题时会兼顾经济性和稳定性。
进一步地,由于该方法在求解时所使用的基于对偶重构和批量梯度下降法,使得该方法相较于其他优化方法来说更加易于求解,降低了计算的复杂度,提高了可处理性。
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是本发明实施例高海拔供电系统的结构示意图;
图2是本发明实施例高海拔供电系统各子系统连接框图;
图3是本发明实施例基于Sinkhorn分布鲁棒优化的高海拔风电供电系统最优能流求解方法流程图;
图4是本发明实施例改变置信度的Sinkhorn分布鲁棒优化方法与随机优化和鲁棒优化方法的优化后成本比较示意图;
图5是本发明实施例置信度取90%时改变样本数量得到的Sinkhorn DRO、RO和SO方法的优化后成本比较示意图;
图6是本发明实施例置信度取90%时改变样本数量得到的Sinkhorn与Wasserstein方法的优化后成本比较示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
本发明采用的高海拔供电系统如图1和图2所示,包含三个子系统,分别为新能源电力系子统,热力子系统以及天然气子系统,三个子系统分别提供对应种类的能源,在能源集线器的调度调控下为高海拔供电系统用户提供高质量的对应能源。各子系统以及能源集线器需要进行建模来满足后续对供电区域电网的整体优化。图2中G代表天然气子系统,G1-G10表示天然气子系统中的各个节点;H代表热力子系统,H1-H14表示热力子系统中的各个节点;E代表新能源电力子系统,E1-E14表示新能源电力子系统中的各个节点;Compressor代表压缩机,Wind代表风机,GT代表燃气轮机,CHP代表热电联产机组。
对新能源电力子系统而言是将节点电压的幅值和相角作为变量,建立其有功和无功功率表达式;热力子系统分为水力模型和热力模型,水力模型将每个节点处流量的矢量和与每个回路水压降的矢量和进行建模,热力模型将管道间水流的流入流出情况进行建模;天然气子系统将节点气压作为状态变量,将天然气网络中的节点压力和管道流量进行建模。本发明所使用的能源集线器为燃气轮机和热电联产机组,燃气轮机通过消耗天然气来产生电功率,其模型可表示为式(1);热电联产机组通过消耗天然气既产生电功率,又产生热功率,其数学模型可表示为式(2)-(3)。
(1)
(2)
(3)
其中,是燃气轮机消耗的天然气流量;/>是燃气轮机产生的电功率;/>是燃气轮机的发电效率;/>是天然气的热值;/>、/>、/>和/>分别是热电联产机组的输出热功率、输出电功率、热电比和发电效率;/>是热电联产机组消耗的天然气流量。
实施例1
如图3所示,本发明基于Sinkhorn分布鲁棒优化的高海拔风电供电系统最优能流求解方法主要包括以下步骤:
S1、以上述各能源设备(即能源集线器)的出力为变量,调节各个子系统节点的功率,并根据节点的功率变化动态调整高海拔供电系统整体成本,并以其整体成本最小构建最优能流模型,如式(4)-(7)所示。
(4)
(5)
(6)
(7)
其中,高海拔供电系统包括新能源电力子系统、热力子系统、天然气子系统及能源集线器,各个子系统包括多个节点,能源集线器包括燃气轮机和热电联产机组;为高海拔供电系统的运行成本;/>为热电联产机组消耗能源所带来的成本;/>为燃气轮机消耗能源所带来的成本;/>为弃风成本;/>为热电联产机组的能源消耗成本系数;/>为能源集线器所接新能源电力子系统节点的发电有功功率;/>为能源集线器所接热力子系统节点的供热有功功率(比如图2中燃气轮机接了一个天然气子系统的节点G3,一个电力子系统的节点E6,因此该燃气轮机的pt就是电力子系统的节点E6的有功功率);/>为燃气轮机的能源消耗成本系数;/>为弃风惩罚系数;/>为风机预测出力;/>为风机实际出力;
S2、引入Sinkhorn距离,以弃风成本作为目标函数得到Sinkhorn分布鲁棒优化以对上述最优能流模型进行求解。具体步骤如下:
首先引入Sinkhorn距离为式(8),Sinkhorn分布鲁棒优化为式(9)。
(8)
(9)
其中,为Sinkhorn距离;/>为函数下确界;/>和/>为概率分布;/>为边际分布;/>表示第一边际分布、第二边际分布分别为/>和/>的联合分布集;/>为数学期望;/>和/>为欧几里得空间中的坐标;/>表示代价函数;/>为正则化参数;/>和/>分别为/>和/>的参考度量;/>表示/>相对于乘积度量/>的相对熵;/>为函数上确界;为了体现Sinkhorn方法与系统最优能流模型之间的联系,需要将公式(7)进行改写并作为公式(9)的目标函数,该目标函数为/>,其中/>,u为预设系数,该实施例中/>,/>,;/>为决策向量,对应为风机预测出力,/>为随机需求,对应为风机实际出力,/>表示弃风成本;/>为可行集,其包含风机预测出力所有可能的取值;/>为Sinkhorn球半径;/>为根据历史数据获得的样本经验分布;/>为以/>为中心的Sinkhorn球;公式(7)涉及到的变量对应公式(9)只有θ和z,其余的可以理解为约束变量。不同的概率分布计算Sinkhorn距离得到的结果可能都满足约束,所以需要将其表示为一个Sinkhorn球,而z就是从所有可能的概率分布中取一个来求解优化。
S3、求解Sinkhorn分布鲁棒优化公式(9),得到风机预测出力的最优解后,对各个子系统的功率进行相应调整,并进一步通过公式(1)-(4)求解最小。
各个子系统需要满足能量平衡,当风机出力变化后,会影响电力子系统各个节点的功率,并对其他子系统产生影响,从而会对能源集线器的功率产生影响,因此需要对各个子系统的功率进行相应调整。
真实分布和假设分布之间的关系主要体现在公式(9)的第二部分,将两个分布之间的Sinkhorn距离进行约束,使得假设分布与真实分布更加接近,精确性更好。Sinkhorn距离表示为概率分布P和样本经验分布/>之间的距离,概率分布P可认为是建立的假设分布,需要通过假设分布的P来求解模型的预测出力,经验分布通过历史数据获得,作为真实分布的估计,一定程度上可认为是真实分布。
本发明在对系统整体最优结果进行求解时,考虑到风电接入会影响到其他能源集线器的输出,并带来一定的不确定性,需要加入分布鲁棒优化来对其进行优化。在对风电优化后,系统中其他能源集线器也相应地调节输出,即满足了对系统整体的优化。
本发明采用基于Sinkhorn距离的方法来对风电不确定性进行建模。相较于背景技术中的方法,本发明的方法充分考虑到真实分布与建立的假设分布之间的关系,降低了保守性;相比于Wasserstein方法,对成本和计算时间均有所提升。
实施例2
该实施例的基于Sinkhorn分布鲁棒优化的高海拔风电供电系统最优能流求解方法和实施例1相同,不同之处在于,该实施例2的步骤S3具体通过批量梯度下降与等分搜索方法求解Sinkhorn分布鲁棒优化公式(9)。具体包括以下步骤:
根据对偶公式(10),常数公式(11)以及分布公式(12),可将式(9)转换为式(13)。
(10)
(11)
(12)
(13)
其中,为式(9)的对偶公式;/>为决策变量;/>为常量;/>为核概率分布;/>为式(9)的近似值;/>为样本数;/>为/>的独立同分布样本,为了计算的方便,可使用正态分布来近似代替。对于每个/>分布下的/>,它们三者都满足下述条件:;/>。
当函数在/>中为凸时,式(13)中的目标函数会被转化为一个有限的凸规划。为了求解上述模型,本发明以弃风成本为式(9)的目标函数,以风电的随机出力作为模型的随机需求/>,应用批量梯度下降与等分搜索方法来有效地解决式(13),可表示为下文的算法1。式(13)的梯度可表示为式(14)和式(15)。
(14)
(15)
为了更好地求解模型的最优值,通过梯度公式将式(13)转化为式(16)。
(16)
在算法进行每次迭代时,由于决策变量的上下限是固定的,不同的决策变量取值会影响求解迭代的速度,这就需要选择合适的上下限来提高求解迭代的速度,本发明选择上下限范围为0到100。
具体求解过程可表示如下算法1。首先需要通过来求解式(16)的最优解,在求解时需要得到/>的值,这为下一步梯度的求解奠定基础;然后将/>和/>的值带入式(15)进行梯度的求解,不同的样本数对梯度的影响不同,本专利选择100,500,1000,5000,10000等五种样本数来分别求解系统模型;接着更新决策变量的上下限值并进行迭代,需要注意,在更新时需要根据不同梯度情况下进行更新;最后,在满足迭代条件的情况下通过等分方法来得到系统模型的解。
算法1
输入:最大迭代次数T,决策变量λ的上下限范围
定义时间变量t=0,精度∆=0.001,判断指标;
从t=0到T
1)步骤1:求解;
2)步骤2:通过式(16)求解,并通过式(15)计算梯度/>;
3)判断梯度是否为零或指标是否满足精度
如果或者/>
结束迭代,输出结果
或者
如果,那么
模型未得到最优解,将
结束
或者
如果,那么
模型未得到最优解,将
结束
结束
4)步骤3:更新和/>
5)并且回到1)
结束
该实施例的求解方法不需要完全依靠历史数据,提高了系统的确定性;并且该方法在求解时降低了计算的复杂度,提高了可处理性。
为了说明本申请相比其他优化方法的优异性,将不同优化方法下得到的优化结果进行比较。
首先将Sinkhorn分布鲁棒优化方法与随机优化和鲁棒优化进行比较。将样本数取为1000,改变置信度可以得到Sinkhorn分布鲁棒优化方法与随机优化和鲁棒优化方法的优化后成本比较,如图4所示。
由图4中优化总成本可以看出,当置信度增加之后,系统成本呈现上升的趋势;不同样本数量下的Sinkhorn模型的成本随着置信度的增大而增加,但它们始终介于SO和RO之间。特别地,当置信度为0%时,Sinkhorn模型的成本等于SO模型;当置信度接近100%时,Sinkhorn模型的成本接近RO模型的成本且相对较小。这是因为鲁棒优化模型的最坏情况分布仍比Sinkhorn模型不确定集中的最坏情况保守,使 Sinkhorn模型的成本低于鲁棒优化模型。以上方法的保守性范围为:RO>Sinkhorn (1e2)>Sinkhorn (5e2)>Sinkhorn (1e3)>Sinkhorn (5e3)>Sinkhorn (1e4)>SO。
置信度取为90%,改变样本数量可以得到Sinkhorn DRO与RO和SO方法的优化后成本比较,如图5所示。由图5中优化总成本可以看出,RO 模型的优化总成本最大,而 SO 模型的优化总成本最小。本文提出的Sinkhorn模型在不同样本数量下的优化总成本介于 RO 和SO 之间。随着样本数据的增加,所提出模型的优化成本接近 SO 的优化成本。这是因为相比 SO,Sinkhorn DRO减轻风电出力不确定性而提高了CHP以及GT机组出力,模型具有更强的鲁棒性;而RO通常考虑恶劣的风电场景,产生较为保守的调度方案,从而需要更大的运行成本,相比RO,Sinkhorn模型成本更低,具有更好的经济性。总体来说,Sinkhorn DRO方法充分结合了SO的经济性和RO的鲁棒性特点,实现了经济性和鲁棒性的均衡。
然后将Sinkhorn分布鲁棒优化方法与Wasserstein分布鲁棒优化进行比较。通过运行Wasserstein与Sinkhorn两种方法50次并求其平均求解时间,如下表1所示。通过计算时间比较可以说明,所提出的Sinkhorn方法在计算时间上相比Wasserstein方法有一定的优势,当有更多的历史数据时,差距会增大。
表1
置信度取为90%,改变样本数量可以得到Sinkhorn与Wasserstein方法的优化后成本比较,如图6所示。在相同置信度下,样本数量增加会使得成本降低,Sinkhorn方法所求得的成本普遍优于Wasserstein方法。样本数量越小,Sinkhorn方法相比Wasserstein方法越能降低成本。由图6可知,当样本数为100时,Sinkhorn方法所求得的成本约为104,783元,而Wasserstein方法所求得的成本约为104,524元,Sinkhorn方法相比Wasserstein方法使成本减少了约0.25%。当样本数为1000时,Sinkhorn方法相比Wasserstein方法对成本的优化只有0.06%。所以,Sinkhorn方法在小样本情况下对成本的优化情况相对显著,而在大样本情况下优化情况相对不明显,但仍然优于Wasserstein方法。
实施例3
本发明实施例基于Sinkhorn分布鲁棒优化的高海拔风电供电系统最优能流求解系统包括最优能流模型构建模块、Sinkhorn分布鲁棒优化模块和求解调整模块。该系统主要用于实现上述方法实施例。
其中, 最优能流模型构建模块,用于将高海拔供电系统中能源集线器的出力作为变量,调节各个子系统节点的功率,并根据节点的功率变化动态调整高海拔供电系统整体成本,并以其整体成本最小构建最优能流模型:
(1)
(2)
(3)
(4)
其中,高海拔供电系统包括新能源电力子系统、热力子系统、天然气子系统及能源集线器,各个子系统包括多个节点,能源集线器包括燃气轮机和热电联产机组;为高海拔供电系统的运行成本;/>为热电联产机组消耗能源所带来的成本;/>为燃气轮机消耗能源所带来的成本;/>为弃风成本;/>为热电联产机组的能源消耗成本系数;/>为能源集线器所接新能源电力子系统节点的发电有功功率;/>为能源集线器所接热力子系统节点的供热有功功率;/>为燃气轮机的能源消耗成本系数;/>为弃风惩罚系数;为风机预测出力;/>为风机实际出力;
Sinkhorn分布鲁棒优化模块,用于引入Sinkhorn距离公式(5),将弃风成本作为目标函数得到Sinkhorn分布鲁棒优化公式(6):
(5)
(6)
其中,为Sinkhorn距离;/>为函数下确界;/>和/>为概率分布;/>为边际分布;/>表示第一边际分布、第二边际分布分别为/>和/>的联合分布集;/>为数学期望;/>和/>为欧几里得空间中的坐标;/>表示代价函数;/>为正则化参数;/>和/>分别为/>和/>的参考度量;/>表示/>相对于乘积度量/>的相对熵;/>为函数上确界;将公式(4)进行改写并作为公式(6)的目标函数,该目标函数为/>,其中/>,u为预设系数;/>为决策向量,对应为风机预测出力,/>为随机需求,对应为风机实际出力,/>表示弃风成本;/>为可行集,其包含风机预测出力所有可能的取值;/>为Sinkhorn球半径;/>为根据历史数据获得的样本经验分布;/>为以/>为中心的Sinkhorn球;
求解调整模块,用于求解Sinkhorn分布鲁棒优化公式(6),得到风机预测出力的最优解(即风机预测出力)后,对各个子系统的功率进行相应调整,并进一步通过公式(1)-(4)求解最小。
进一步地,求解调整模块具体通过批量梯度下降与等分搜索方法求解Sinkhorn分布鲁棒优化公式(6)。详见上文方法实施例2,在此不赘述。
如图2所示,高海拔供电系统具体在能源集线器的调度调控下为用户提供对应能源。新能源电力子系统接入风机。燃气轮机连接在天然气子系统和热力子系统之间;热电联产机组连接在三个子系统之间。天然气子系统中还包括多个压缩机。
实施例4
本申请还提供一种计算机可读存储介质,如闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘、服务器、App应用商城等等,其上存储有计算机程序,程序被处理器执行时实现相应功能。本实施例的计算机可读存储介质用于在被处理器执行时实现方法实施例的基于Sinkhorn分布鲁棒优化的高海拔风电供电系统最优能流求解方法。
综上,本申请提出的基于Sinkhorn距离的分布式鲁棒优化方法相较于随机优化和鲁棒优化,该方法的保守性居于随机优化和鲁棒优化之间,该方法在求解不确定问题时会兼顾经济性和稳定性,说明该方法可用来处理风电不确定性对最优能流的影响。
进一步地,由于该方法在求解时所使用的基于对偶重构和批量梯度下降法,使得该方法相较于其他优化方法来说更加易于求解。
进一步地,本申请提出的基于Sinkhorn距离的分布式鲁棒优化方法相较于其他分布式鲁棒优化方法来说,可以发现在计算时间上有一定的优势,有更多的历史数据时,其优势会更加明显。对于系统整体的优化效果,该方法在样本数量变化时优化效果均好于其他分布式鲁棒优化方法,且在小样本情况下表现更佳。
应当理解的是,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,而所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (10)
1.一种基于Sinkhorn分布鲁棒优化的高海拔风电供电系统最优能流求解方法,其特征在于,包括以下步骤:
S1、将高海拔供电系统中能源集线器的出力作为变量,调节各个子系统节点的功率,并根据节点的功率变化动态调整高海拔供电系统整体成本,并以其整体成本最小构建最优能流模型:
(1)
(2)
(3)
(4)
其中,高海拔供电系统包括新能源电力子系统、热力子系统、天然气子系统及能源集线器,各个子系统包括多个节点,能源集线器包括燃气轮机和热电联产机组;为高海拔供电系统的运行成本;/>为热电联产机组消耗能源所带来的成本;/>为燃气轮机消耗能源所带来的成本;/>为弃风成本;/>为热电联产机组的能源消耗成本系数;/>为能源集线器所接新能源电力子系统节点的发电有功功率;/>为能源集线器所接热力子系统节点的供热有功功率;/>为燃气轮机的能源消耗成本系数;/>为弃风惩罚系数;/>为风机预测出力;/>为风机实际出力;
S2、引入Sinkhorn距离公式(5),以弃风成本作为目标函数得到Sinkhorn分布鲁棒优化公式(6):
(5)
(6)
其中,为Sinkhorn距离;/>为函数下确界;/>和/>为概率分布;/>为边际分布;表示第一边际分布、第二边际分布分别为/>和/>的联合分布集;/>为数学期望;/>和/>为欧几里得空间中的坐标;/>表示代价函数;/>为正则化参数;/>和/>分别为/>和/>的参考度量;/>表示/>相对于乘积度量/>的相对熵;/>为函数上确界;将公式(4)进行改写并作为公式(6)的目标函数,该目标函数为/>,其中/>,u为预设系数;/>为决策向量,对应为风机预测出力,/>为随机需求,对应为风机实际出力,/>表示弃风成本;/>为可行集,其包含风机预测出力所有可能的取值;/>为Sinkhorn球半径;/>为根据历史数据获得的样本经验分布;/>为以/>为中心的Sinkhorn球;
S3、求解Sinkhorn分布鲁棒优化公式(6),得到风机预测出力的最优解后,对各个子系统的功率进行相应调整,并进一步通过公式(1)-(4)求解最小。
2.根据权利要求1所述的基于Sinkhorn分布鲁棒优化的高海拔风电供电系统最优能流求解方法,其特征在于,步骤S3具体通过批量梯度下降与等分搜索方法求解Sinkhorn分布鲁棒优化公式(6)。
3.根据权利要求1所述的基于Sinkhorn分布鲁棒优化的高海拔风电供电系统最优能流求解方法,其特征在于,高海拔供电系统具体在能源集线器的调度调控下为用户提供对应能源。
4.一种基于Sinkhorn分布鲁棒优化的高海拔风电供电系统最优能流求解系统,其特征在于,包括:
最优能流模型构建模块,用于将高海拔供电系统中能源集线器的出力作为变量,调节各个子系统节点的功率,并根据节点的功率变化动态调整高海拔供电系统整体成本,并以其整体成本最小构建最优能流模型:
(1)
(2)
(3)
(4)
其中,高海拔供电系统包括新能源电力子系统、热力子系统、天然气子系统及能源集线器,各个子系统包括多个节点,能源集线器包括燃气轮机和热电联产机组;为高海拔供电系统的运行成本;/>为热电联产机组消耗能源所带来的成本;/>为燃气轮机消耗能源所带来的成本;/>为弃风成本;/>为热电联产机组的能源消耗成本系数;/>为能源集线器所接新能源电力子系统中节点的发电有功功率;/>为能源集线器所接热力子系统节点的供热有功功率;/>为燃气轮机的能源消耗成本系数;/>为弃风惩罚系数;/>为风机预测出力;/>为风机实际出力;
Sinkhorn分布鲁棒优化模块,用于引入Sinkhorn距离公式(5),以弃风成本作为目标函数得到Sinkhorn分布鲁棒优化公式(6):
(5)
(6)
其中,为Sinkhorn距离;/>为函数下确界;/>和/>为概率分布;/>为边际分布;表示第一边际分布、第二边际分布分别为/>和/>的联合分布集;/>为数学期望;/>和/>为欧几里得空间中的坐标;/>表示代价函数;/>为正则化参数;/>和/>分别为/>和/>的参考度量;/>表示/>相对于乘积度量/>的相对熵;/>为函数上确界;将公式(4)进行改写并作为公式(6)的目标函数,该目标函数为/>,其中/>,u为预设系数;/>为决策向量,对应为风机预测出力,/>为随机需求,对应为风机实际出力,/>表示弃风成本;/>为可行集,其包含风机预测出力所有可能的取值;/>为Sinkhorn球半径;/>为根据历史数据获得的样本经验分布;/>为以/>为中心的Sinkhorn球;
求解调整模块,用于求解Sinkhorn分布鲁棒优化公式(6),得到风机预测出力的最优解后,对各个子系统的功率进行相应调整,并进一步通过公式(1)-(4)求解最小。
5.根据权利要求4所述的基于Sinkhorn分布鲁棒优化的高海拔风电供电系统最优能流求解系统,其特征在于,求解调整模块具体通过批量梯度下降与等分搜索方法求解Sinkhorn分布鲁棒优化公式(6)。
6.根据权利要求4所述的基于Sinkhorn分布鲁棒优化的高海拔风电供电系统最优能流求解系统,其特征在于,高海拔供电系统具体在能源集线器的调度调控下为用户提供对应能源。
7.根据权利要求4所述的基于Sinkhorn分布鲁棒优化的高海拔风电供电系统最优能流求解系统,其特征在于,新能源电力子系统接入风机。
8.根据权利要求4所述的基于Sinkhorn分布鲁棒优化的高海拔风电供电系统最优能流求解系统,其特征在于,燃气轮机连接在天然气子系统和热力子系统之间;热电联产机组连接在三个子系统之间。
9.根据权利要求4所述的基于Sinkhorn分布鲁棒优化的高海拔风电供电系统最优能流求解系统,其特征在于,天然气子系统中还包括多个压缩机。
10.一种计算机存储介质,其特征在于,其内存储有可被处理器执行的计算机程序,该计算机程序执行权利要求1-3中任一项所述的基于Sinkhorn分布鲁棒优化的高海拔风电供电系统最优能流求解方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310579723.0A CN116341762B (zh) | 2023-05-23 | 2023-05-23 | 高海拔风电供电系统最优能流求解方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310579723.0A CN116341762B (zh) | 2023-05-23 | 2023-05-23 | 高海拔风电供电系统最优能流求解方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116341762A CN116341762A (zh) | 2023-06-27 |
CN116341762B true CN116341762B (zh) | 2023-07-25 |
Family
ID=86877415
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310579723.0A Active CN116341762B (zh) | 2023-05-23 | 2023-05-23 | 高海拔风电供电系统最优能流求解方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116341762B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110007600A (zh) * | 2019-04-24 | 2019-07-12 | 四川大学 | 一种具有约束的多能流协调调度辅助决策系统 |
WO2019165701A1 (zh) * | 2018-02-28 | 2019-09-06 | 东南大学 | 一种交直流混联微网的随机鲁棒耦合型优化调度方法 |
CN111523249A (zh) * | 2020-05-27 | 2020-08-11 | 福州大学 | 一种考虑源荷不确定性的数据驱动鲁棒优化调度方法 |
CN112290531A (zh) * | 2020-07-27 | 2021-01-29 | 四川大学 | 一种用于交直流配电网结合改进乘子法的优化系统和方法 |
CN113283043A (zh) * | 2021-06-17 | 2021-08-20 | 华北电力大学 | 一种适用于高维大规模场景的场景约简求解方法 |
CN114065543A (zh) * | 2021-11-24 | 2022-02-18 | 国网新疆电力有限公司 | 一种交直流互联电力系统分散鲁棒优化调度方法 |
CN115018123A (zh) * | 2022-05-05 | 2022-09-06 | 广东电网有限责任公司广州供电局 | 基于最优风险区间的多能耦合微能源网鲁棒优化调度方法 |
CN115051388A (zh) * | 2022-07-05 | 2022-09-13 | 南昌大学 | 一种基于分布鲁棒的“源-网-荷-储”两阶段调度优化方法 |
CN115204516A (zh) * | 2022-08-05 | 2022-10-18 | 杭州电子科技大学 | 基于纳什议价的多利益主体分布式鲁棒优化调度方法 |
CN115425638A (zh) * | 2022-07-27 | 2022-12-02 | 国网四川省电力公司经济技术研究院 | 计及电网灵活性的分布式鲁棒优化方法、设备和存储介质 |
CN115471009A (zh) * | 2022-09-30 | 2022-12-13 | 上海交通大学 | 预测性优化的电力系统规划方法 |
CN115577964A (zh) * | 2022-10-31 | 2023-01-06 | 国网吉林省电力有限公司经济技术研究院 | 基于分布式鲁棒优化的新能源接纳能力评估方法及系统 |
CN115758763A (zh) * | 2022-11-24 | 2023-03-07 | 国网山东省电力公司电力科学研究院 | 一种计及源荷不确定性的多能流系统优化配置方法及系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110571789B (zh) * | 2018-06-06 | 2020-10-20 | 南京工程学院 | 数据驱动下基于风电不确定性的电热气网三阶段调度方法 |
CN112531790B (zh) * | 2020-11-25 | 2022-11-25 | 清华大学 | 一种虚拟电厂动态灵活性评估方法 |
-
2023
- 2023-05-23 CN CN202310579723.0A patent/CN116341762B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019165701A1 (zh) * | 2018-02-28 | 2019-09-06 | 东南大学 | 一种交直流混联微网的随机鲁棒耦合型优化调度方法 |
CN110007600A (zh) * | 2019-04-24 | 2019-07-12 | 四川大学 | 一种具有约束的多能流协调调度辅助决策系统 |
CN111523249A (zh) * | 2020-05-27 | 2020-08-11 | 福州大学 | 一种考虑源荷不确定性的数据驱动鲁棒优化调度方法 |
CN112290531A (zh) * | 2020-07-27 | 2021-01-29 | 四川大学 | 一种用于交直流配电网结合改进乘子法的优化系统和方法 |
CN113283043A (zh) * | 2021-06-17 | 2021-08-20 | 华北电力大学 | 一种适用于高维大规模场景的场景约简求解方法 |
CN114065543A (zh) * | 2021-11-24 | 2022-02-18 | 国网新疆电力有限公司 | 一种交直流互联电力系统分散鲁棒优化调度方法 |
CN115018123A (zh) * | 2022-05-05 | 2022-09-06 | 广东电网有限责任公司广州供电局 | 基于最优风险区间的多能耦合微能源网鲁棒优化调度方法 |
CN115051388A (zh) * | 2022-07-05 | 2022-09-13 | 南昌大学 | 一种基于分布鲁棒的“源-网-荷-储”两阶段调度优化方法 |
CN115425638A (zh) * | 2022-07-27 | 2022-12-02 | 国网四川省电力公司经济技术研究院 | 计及电网灵活性的分布式鲁棒优化方法、设备和存储介质 |
CN115204516A (zh) * | 2022-08-05 | 2022-10-18 | 杭州电子科技大学 | 基于纳什议价的多利益主体分布式鲁棒优化调度方法 |
CN115471009A (zh) * | 2022-09-30 | 2022-12-13 | 上海交通大学 | 预测性优化的电力系统规划方法 |
CN115577964A (zh) * | 2022-10-31 | 2023-01-06 | 国网吉林省电力有限公司经济技术研究院 | 基于分布式鲁棒优化的新能源接纳能力评估方法及系统 |
CN115758763A (zh) * | 2022-11-24 | 2023-03-07 | 国网山东省电力公司电力科学研究院 | 一种计及源荷不确定性的多能流系统优化配置方法及系统 |
Non-Patent Citations (4)
Title |
---|
A Data-Driven Approach to Robust Hypothesis Testing Using Sinkhorn Uncertainty Sets;Jie Wang等;《2022 IEEE International Symposium on Information Theory》;全文 * |
Improving Sepsis Prediction Model Generalization With Optimal Transport;Jie Wang等;《Proceedings of Machine Learning Research》;全文 * |
Sinkhorn Distributionally Robust Optimization;Jie Wang等;《arXiv:2109.11926》;全文 * |
考虑风电不确定性的风电储能混合系统协调优化计算;徐虹卿;张宇献;邢作霞;;电器与能效管理技术(09);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116341762A (zh) | 2023-06-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112561728B (zh) | 基于注意力机制lstm的综合能耗费用优化方法、介质及设备 | |
CN111709672A (zh) | 基于场景和深度强化学习的虚拟电厂经济调度方法 | |
Chang et al. | User-centric multiobjective approach to privacy preservation and energy cost minimization in smart home | |
Darivianakis et al. | A data-driven stochastic optimization approach to the seasonal storage energy management | |
Asad et al. | Adaptive modeling for reliability in optimal control of complex HVAC systems | |
CN115186555B (zh) | 基于数字孪生的干燥设备实况仿真方法及相关设备 | |
Wang et al. | Optimal scheduling for integrated energy system considering scheduling elasticity of electric and thermal loads | |
He et al. | Biobjective Optimization‐Based Frequency Regulation of Power Grids with High‐Participated Renewable Energy and Energy Storage Systems | |
CN116341762B (zh) | 高海拔风电供电系统最优能流求解方法及系统 | |
CN117117921A (zh) | 考虑负荷不确定性的农村地区储能系统控制方法及系统 | |
CN112018822B (zh) | 一种需求侧综合柔性负荷调控优化方法及系统 | |
CN117674290A (zh) | 一种基于多场景的水电平抑分布鲁棒优化方法 | |
CN112039058A (zh) | 基于风功率预测区间的机组组合方法、系统、介质及设备 | |
CN112001639A (zh) | 综合能源系统能源需求的可调能力评估方法及存储介质 | |
CN115169950A (zh) | 一种基于多参数规划的电-气系统分布式协同方法及系统 | |
CN113361805B (zh) | 一种配电网规划方法及系统 | |
CN110020506A (zh) | 基于电热型综合能源系统运行优化的差分格式选择方法 | |
CN115833240A (zh) | 考虑梯级水电站连接的风-光-水互补系统的容量配置优化方法 | |
CN115563882A (zh) | 一种基于改进模仿学习的非实时观测有源配电网优化方法 | |
Huang et al. | HVAC Optimal Control with the Multistep‐Actor Critic Algorithm in Large Action Spaces | |
CN114091767A (zh) | 数据驱动的综合能源系统鲁棒随机规划的方法及系统 | |
Li et al. | Robust stochastic optimal dispatching of integrated electricity-gas-heat system considering generation-network-load uncertainties | |
Guo et al. | Load forecasting and operation optimization of ice-storage air conditioners based on improved deep-belief network | |
CN116452009B (zh) | 一种考虑时间关联特性的综合能源枢纽灵活域评估方法 | |
CN116227755B (zh) | 多能耦合系统部署方法和装置 |
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 |