CN116565956A - 一种分布式能源双向预测优化调度方法及系统 - Google Patents

一种分布式能源双向预测优化调度方法及系统 Download PDF

Info

Publication number
CN116565956A
CN116565956A CN202310553282.7A CN202310553282A CN116565956A CN 116565956 A CN116565956 A CN 116565956A CN 202310553282 A CN202310553282 A CN 202310553282A CN 116565956 A CN116565956 A CN 116565956A
Authority
CN
China
Prior art keywords
historical
data
matrix
output
representing
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
Application number
CN202310553282.7A
Other languages
English (en)
Inventor
李波
赵瑞锋
辛阔
卢建刚
黄缙华
施展
张健
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong Power Grid Co Ltd
Electric Power Dispatch Control Center of Guangdong Power Grid Co Ltd
Original Assignee
Guangdong Power Grid Co Ltd
Electric Power Dispatch Control Center of Guangdong Power Grid Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangdong Power Grid Co Ltd, Electric Power Dispatch Control Center of Guangdong Power Grid Co Ltd filed Critical Guangdong Power Grid Co Ltd
Priority to CN202310553282.7A priority Critical patent/CN116565956A/zh
Publication of CN116565956A publication Critical patent/CN116565956A/zh
Pending legal-status Critical Current

Links

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
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/381—Dispersed generators
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/004—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
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
    • H02J3/466—Scheduling the operation of the generators, e.g. connecting or disconnecting generators to meet a given 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
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/22—The renewable source being solar energy
    • H02J2300/24—The renewable source being solar energy of photovoltaic origin
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/28—The renewable source being wind energy
    • 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

Abstract

本发明公开了一种分布式能源双向预测优化调度方法及系统，获取历史数据、历史环境数据、历史负荷数据以及历史调度策略后并对数据进行处理，通过基于全局特征及突变特征的预测模型对处理后的数据进行特征提取和加权融合，得到第一预测结果，通过自适应预测模型进行反向分布式能源预测求解得到第二预测结果，将第一预测结果和第二预测结果复合加权融合，得到第三预测结果，利用第三预测结果构建分布式能源优化调度模型并进行求解，得到调度结果。该方法将环境、负荷、调度三者有效融合，采用双向预测进一步提高分布式能源预测的准确性，将优化调度建立在预测的基础上，使得海量分布式能源的整体调度更优化。

Description

一种分布式能源双向预测优化调度方法及系统
技术领域
本发明涉及电网运行规划技术领域，尤其涉及一种分布式能源双向预测优化调度方法及系统。
背景技术
随着风力、光伏、现代生物能等分布式能源的高速发展，其在配电网中的占比逐步增大。由于风力和光伏等新分布式能源发电通常具有随机性、波动性和间歇性特点，传统的配电网调度方式已逐渐不能适应，亟需研究新分布式能源高渗透背景下配电网的安全、经济调度问题。
实现优化调度是建立在对各种影响因素有效的预测基础上的，包括基于环境数据对出力功率的预测，对负荷的预测等。相关技术中有采用气象数据对光伏或风力进行预测，建模方法常采用循环神经网络或长短期记忆网络，变换神经网络等。无论是循环神经网络、长短期记忆网络，都是反向传播算法计算损失函数来进行优化，序列越长，求梯度也就会越困难，即越难收敛，从而会使效果变差。变换神经网络结构能够完全消除梯度消失和梯度爆炸问题，但在预测长时间序列问题时也会出现速度变慢的问题。在优化调度策略方面，有研究从发电成本最低和环境治理成本最低角度探索最优调度策略，但是其约束条件多以分布式发电的最大出力为上限，可能导致调度策略无法实现。
发明内容
本发明提供了一种分布式能源双向预测优化调度方法及系统，通过将环境、负荷、调度三者有效融合，对分布式能源出力进行预测后再根据预测结果确定调度方案，提高了调度方案的准确性。
为了解决上述技术问题，本发明实施例提供了一种分布式能源双向预测优化调度方法，包括：
获取待监测区域内的历史出力数据、历史环境数据、历史负荷数据以及历史调度策略，其中，历史出力数据包括历史风力发电出力数据和历史光伏发电出力数据；
对历史出力数据和历史环境数据分别进行正交小波变换及重构处理，得到历史出力重构数据矩阵和历史环境重构数据矩阵，并将历史出力重构数据矩阵和历史环境重构数据矩阵通过基于全局特征及突变特征的预测模型进行特征提取和加权融合，得到第一出力预测结果；
将历史出力数据、历史负荷数据和历史调度策略通过自适应预测模型进行反向分布式能源出力预测求解后，得到第二出力预测结果；
对第一出力预测结果和第二出力预测结果进行复合加权融合，得到第三出力预测结果；
利用第三出力预测结果构建分布式能源优化调度模型，并对分布式能源优化调度模型求解，得到调度结果，以使配电网根据所述调度结果对能源进行调度，其中，所述调度结果包括光伏发电功率值、风力发电功率值、储能系统运行功率值以及切负荷功率值。
实施本实施例，获取待监测区域内的历史出力数据、历史环境数据、历史负荷数据以及历史调度策略，对历史出力数据和历史环境数据分别进行正交小波变换及重构处理，得到历史出力重构数据矩阵、历史环境重构数据矩阵以及风速单支重构数据矩阵，并将历史出力重构数据矩阵、历史环境重构数据矩阵以及风速单支重构数据矩阵通过基于全局特征及突变特征的预测模型进行特征提取和加权融合，得到第一出力预测结果；将历史出力数据通过自适应预测模型进行反向分布式能源出力预测求解后，得到第二出力预测结果，对第一出力预测结果和第二出力预测结果进行复合加权融合，得到第三出力预测结果，利用第三出力预测结果构建分布式能源优化调度模型，并进行求解后得到调度结果。该方法将环境、负荷、调度三者有效融合，采用双向预测进一步提高分布式能源出力预测的准确性，将优化调度建立在预测出力的基础上，使得海量分布式能源的整体调度更优化。
作为优选方案，对历史出力数据和历史环境数据分别进行正交小波变换及重构处理，得到历史出力重构数据矩阵和历史环境重构数据矩阵，具体为：
将获取的预设时间段内的历史出力数据和历史环境数据中的各个数据进行归一化处理，得到归一化后的历史出力数据和归一化后的历史环境数据，其中，历史环境数据包括历史环境光照强度数据、历史切入风速数据和历史切出风速数据，，其中，归一化处理过程为：
其中，PWH表示可再生能源历史风力发电出力数据、PPVH表示历史光伏发电出力数据、IH表示历史环境光照强度、VciH表示历史切入风速，VcoH表示历史切出风速、PWH,min,PPVH,min,IH,min，VciH,min和VcoH,min以及PWH,max,PPVH,max,PLH,max,IH,max，VciH,max和VcoH,max分别表示为历史风力发电出力数据、历史光伏发电出力数据、历史环境光照强度、历史切入风速，历史切出风速最小值和最大值，P′WH、P′PVH、I'H、V′ciH以及V′coH分别表示为归一化后的历史风力发电出力数据、历史光伏发电出力数据、历史环境光照强度、历史切入风速，历史切出风速；
对归一化后的历史出力数据、归一化后的历史环境数据中的各个数据分别按照预设变换公式进行正小波变换分解，得到归一化后的历史出力数据、归一化后的历史环境数据中每个数据所对应的实部树分解小波系数和虚部树分解小波系数，其中，预设变换公式为：
其中，x(t)是待处理的信号，表示实部树分解小波系数，/>表示实部树分解尺度系数，/>表示虚部树分解小波系数，/>表示虚部树分解尺度系数，ψh(t)是实部小波函数，ψg(t)是虚部小波函数，J表示小波分解的层数，j表示尺度因子；
根据实部树分解小波系数和虚部树分解小波系数通过重构公式计算，得到每个数据所对应的小波系数重构信号和尺度系数重构信号，其中，重构公式为：
其中，dj(t)表示为某一数据小波系数重构信号，cJ(t)表示为某一数据尺度系数重构信号，t＝1,2，L，M，M是信号的长度，n为信号的序号，n＝1,2，L，M；表示实部树分解小波系数，/>表示实部树分解尺度系数，/>表示虚部树分解小波系数，/>表示虚部树分解尺度系数，ψh(t)表示实部小波函数，ψg(t)表示虚部小波函数，J表示小波分解的层数，j表示尺度因子；
根据各个数据的小波系数重构信号和尺度系数重构信号构建矩阵，得到历史出力重构数据矩阵和历史环境重构数据矩阵。
作为优选方案，将历史出力重构数据矩阵和历史环境重构数据矩阵通过基于全局特征及突变特征的预测模型进行特征提取和加权融合，得到第一出力预测结果，具体为：
将历史出力重构数据矩阵和历史环境重构数据矩阵输入基于全局特征及突变特征的预测模型中，采用全局趋势特征层中对各个数据进行提取，得到第一矩阵，采用局部突变特征层对各个数据进行提取，得到第二矩阵，采用稳态特征对各个数据进行提取，得到第三矩阵，其中，所述稳态特征计算公式为：
xt＝φ0+φ1xt-1+φ2xt-2+L+φpxt-p+εt
其中，xt表示t时刻的数据，即提取后的数据，φi(i＝1,L,p)为自回归模型系数，εt表示均值为0，方差为σ2的白噪声，p表示当前预测时刻值的数据长度；
对第一矩阵、第二矩阵分别进行卷积和蒸馏操作后，得到新的第一矩阵和新的第二矩阵；
将新的第一矩阵和新的第二矩阵进行融合，得到第四矩阵后，再将第三矩阵和第四矩阵进行加权融合得到第一出力预测结果。
作为优选方案，对第一矩阵、第二矩阵分别进行卷积和蒸馏操作后，得到新的第一矩阵和新的第二矩阵，具体为：
依次将第一矩阵和第二矩阵转换成向量矩阵后，将第一矩阵分别与预设多个权重矩阵相乘，得到第一矩阵对应的第一向量矩阵、第二向量矩阵和第三向量矩阵；
根据预设数量的点积对第一向量矩阵进行近似性评估计算，得到第一向量矩阵中每个向量的近似性评估标准，其中，近似性评估标准为：
其中，LQ和LK分别表示为第一向量矩阵和第二向量矩阵/>的长度，qi和kj是第一向量矩阵Q1和第二向量矩阵K1的第i个和第j个数据，上标T是转置运算，d表示为矩阵Q1、K1、V1的维数；
根据第一向量矩阵中每个向量的近似性评估标准，得到每个向量对计算注意力值的贡献值，选取贡献值最大的向量作为第五矩阵，并根据第五矩阵通过注意力值计算公式得到概率稀疏注意力值，其中，概率稀疏注意力值为：
其中，表示概率稀疏注意力值，Q1表示第一向量矩阵，K1表示第二向量矩阵，V1表示第三向量矩阵，d为矩阵Q1、K1、V1的维数，上标T是转置运算；
根据概率稀疏注意力值和预设权重进行卷积和蒸馏操作后，得到新的第一矩阵和新的第二矩阵，其中，卷积和蒸馏操作过程为：
其中，[g]AB代表经过一个注意力模块后得到的值，Conv1d是一维卷积，ELU是激活层的激活函数，MaxPool是最大池化，为t时刻/>经过第j+1蒸馏层后的数据，即新的第一矩阵；
作为优选方案，将历史出力数据、历史负荷数据和历史调度策略通过自适应预测模型进行反向分布式能源出力预测求解后，得到第二出力预测结果，具体为：
将所述历史调度策略进行扩展，得到新的历史调度策略；
根据所述历史负荷数据、所述新的历史调度策略、历史切入风速、历史切出风速和所述历史环境光照强度进行构建，得到自适应预测模型，并对所述自适应预测模型进行求解，得到第二出力预测结果，其中，所述自适应预测模型包括风力自适应预测模型和光伏自适应预测模块，所述第二出力预测结果包括风力出力预测结果和光伏出力预测结果。
实施本实施例，将历史调度策略进行扩展，得到新的历史调度策略，根据所述历史负荷数据、所述新的历史调度策略、历史切入风速、历史切出风速和所述历史环境光照强度进行构建，得到自适应预测模型，并对所述自适应预测模型进行求解，得到第二出力预测结果。该方法考虑到调度策略、负荷及天气的反向预测，另外还考虑历史不同的调度需求，将环境、负荷、调度三者有效融合，可以实现更精准预测。
作为优选方案，根据所述历史负荷数据、所述新的历史调度策略、历史切入风速、历史切出风速和所述历史环境光照强度进行构建，得到自适应预测模型，并对所述自适应预测模型进行求解，得到第二出力预测结果，具体为：
根据所述历史负荷数据、所述新的历史调度策略、所述历史切入风速和所述历史切出风速构建风力自适应预测模型，其中，所述风力自适应预测模型为:
PWH＝βWiXWi+βW
其中，PWH表示风力出力预测结果，βWi(i＝1,2,3,4)为风力出力与相关因素之间的回归系数，βW为风力出力模型整体误差，XWi表示风力出力预测因子矩阵，XWi＝[PLH,DH,VciH,VcoH]，其中，PLH表示历史负荷数据、DH表示新的历史调度策略、VciH表示历史切入风速以及VcoH历史切出风速；
用最小二乘法求解PWH＝βWiXWi+βW回归系数,得到回归系数初始值进一步引入权重/>则权重向量/>可以表示为：
更新xj是XWi中的变量，
对所有正则化因子λn，求解
计算将/>代入PWH＝βWiXWi+βW，得到风力出力预测结果；
对于光伏出力建立基于历史负荷、新的历史调度策略、历史环境光照强度的自适应预测模型：
PPVH＝βPViXPVi+βPV
其中，PPVH表示光伏出力回归模型，βPVi(i＝1,2,3)为光伏出力与相关因素之间的回归系数，βPV为光伏出力模型整体误差，XPVi表示光伏出力预测因子矩阵，XPVi＝[PLH,DH,IH]，其中，PLH表示历史负荷数据、DH表示新的历史调度策略以及IH表示历史环境光照强度；
用最小二乘法求解PPVH＝βPViXPVi+βPV的回归系数,得到回归系数初始值进一步引入权重/>则权重向量/>可以表示为：
更新xj是XPVi中的变量，
对所有正则化因子λn，求解
计算将/>代入PPVH＝βPViXPVi+βPV，得到光伏出力的预测结果。
作为优选方案，对第一出力预测结果和第二出力预测结果进行复合加权融合，得到第三出力预测结果，具体为：
将第一出力预测结果和第二出力预测结果采用加权平均的方法进行融合，得到第三出力预测结果，具体计算公式为：
PWTP＝θPWP1+(1-θ)PWP2
其中，PWTP表示第三出力预测结果，PWP1表示第一出力预测结果，PWP2表示第二出力预测结果，θ表示利用正向预测方法预测得到功率的系数。
作为优选方案，利用第三出力预测结果构建分布式能源优化调度模型，使用分布式能源优化调度模型对历史出力数据及储能设备运行数据进行优化调度，得到调度结果，具体为：
根据第三预测结果和发电成本系数进行构建，得到发电成本，其中，发电成本为光伏发电成本或者风力发电成本；
根据充电运行成本系数、放电运行成本系数、充电效率、放电效率、充电功率和放电功率构建，得到储能设备运行管理成本；
根据储能设备运行环境治理成本系数、储能设备充电功率和储能设备放电功率进行构建，得到储能设备环境治理成本，根据切负荷惩罚系数和切负荷功率构建，得到切负荷成本；
根据发电成本、储能设备运行管理成本、储能设备环境治理成本和切负荷成本构建分布式能源优化调度模型的目标函数和约束条件，其中，所述目标函数为：
min(CPV+CWT+CSV+CSVE+Closs)
其中，CPV为光伏发电成本，CWT为风力发电成本，CSV为储能设备运行管理成本，CSVE为储能设备环境治理成本，Closs为切负荷成本；
利用交替方向乘子法对目标函数和约束条件进行求解，得到调度结果，其中，调度结果包括光伏发电功率值、风力发电功率值、储能系统运行功率值以及切负荷功率值。
实施本实施例，根据第三预测结果和发电成本系数进行构建，得到发电成本，发电成本为光伏发电成本或者风力发电成本，根据充电运行成本系数、放电运行成本系数、充电效率、放电效率、充电功率和放电功率构建，得到储能设备运行管理成本；根据储能设备运行环境治理成本系数、储能设备充电功率和储能设备放电功率进行构建，得到储能设备环境治理成本，根据切负荷惩罚系数和切负荷功率构建，得到切负荷成本，根据发电成本、储能设备运行管理成本、储能设备环境治理成本和切负荷成本构建分布式能源优化调度模型的目标函数和约束条件，利用交替方向乘子法对目标函数和约束条件进行求解，得到调度结果，调度结果包括光伏发电功率值、风力发电功率值、储能系统运行功率值以及切负荷功率值。通过利用在预测结果的基础上的优化调度模型并求解输出优化调度结果，提高了分布式能源整体调度方案的准确性。
作为优选方案，为了解决相同的技术问题，本发明实施例还提供了一种分布式能源双向预测优化调度系统，包括：
获取模块，用于获取待监测区域内的历史出力数据、历史环境数据、历史负荷数据以及历史调度策略，其中，历史出力数据包括历史风力发电出力数据和历史光伏发电出力数据；
第一预测模块，用于对历史出力数据和历史环境数据分别进行正交小波变换及重构处理，得到历史出力重构数据矩阵和历史环境重构数据矩阵，并将历史出力重构数据矩阵和历史环境重构数据矩阵通过基于全局特征及突变特征的预测模型进行特征提取和加权融合，得到第一出力预测结果；
第二预测模块，用于将历史出力数据、历史负荷数据和历史调度策略通过自适应预测模型进行反向分布式能源出力预测求解后，得到第二出力预测结果；
第三预测模块，用于对第一出力预测结果和第二出力预测结果进行复合加权融合，得到第三出力预测结果；
调度结果模块，用于利用第三出力预测结果构建分布式能源优化调度模型，并对分布式能源优化调度模型求解，得到调度结果，以使配电网根据调度结果对能源进行调度，其中，调度结果包括光伏发电功率值、风力发电功率值、储能系统运行功率值以及切负荷功率值。
作为优选方案，第一预测模块包括归一化单元、分解单元、重构单元和矩阵单元，
其中，归一化单元用于将获取的预设时间段内的历史出力数据和历史环境数据中的各个数据进行归一化处理，得到归一化后的历史出力数据和归一化后的历史环境数据，其中，历史环境数据包括历史环境光照强度数据、历史切入风速数据和历史切出风速数据，其中，归一化处理过程为：
其中，PWH表示可再生能源历史风力发电出力数据、PPVH表示历史光伏发电出力数据、IH表示历史环境光照强度、VciH表示历史切入风速，VcoH表示历史切出风速、PWH,min,PPVH,min,IH,min，VciH,min和VcoH,min以及PWH,max,PPVH,max,PLH,max,IH,max，VciH,max和VcoH,max分别表示为历史风力发电出力数据、历史光伏发电出力数据、历史环境光照强度、历史切入风速，历史切出风速最小值和最大值，P′WH、P′PVH、I'H、V′ciH以及V′coH分别表示为归一化后的历史风力发电出力数据、历史光伏发电出力数据、历史环境光照强度、历史切入风速、历史切出风速；
分解单元用于对归一化后的历史出力数据和归一化后的历史环境数据中的各个数据分别按照预设变换公式进行正小波变换分解，得到归一化后的历史出力数据和归一化后的历史环境数据中每个数据所对应的实部树分解小波系数和虚部树分解小波系数，其中，所述预设变换公式为：
其中，x(t)是待处理的信号，表示实部树分解小波系数，/>表示实部树分解尺度系数，/>表示虚部树分解小波系数，/>表示虚部树分解尺度系数，ψh(t)是实部小波函数，ψg(t)是虚部小波函数，J表示小波分解的层数，j表示尺度因子；
重构单元用于根据实部树分解小波系数和虚部树分解小波系数通过重构公式计算，得到每个数据所对应的小波系数重构信号和尺度系数重构信号，其中，重构公式为：
其中，dj(t)表示为某一数据小波系数重构信号，cJ(t)表示为某一数据尺度系数重构信号，t＝1,2，L，M，M是信号的长度，n为信号的序号，n＝1,2，L，M；表示实部树分解小波系数，/>表示实部树分解尺度系数，/>表示虚部树分解小波系数，/>表示虚部树分解尺度系数，ψh(t)表示实部小波函数，ψg(t)表示虚部小波函数，J表示小波分解的层数，j表示尺度因子；
矩阵单元用于根据各个数据的小波系数重构信号和尺度系数重构信号构建矩阵，得到历史出力重构数据矩阵和历史环境重构数据矩阵。
获取待监测区域内的历史出力数据、历史环境数据、历史负荷数据以及历史调度策略，对历史出力数据和历史环境数据分别进行正交小波变换及重构处理，得到历史出力重构数据矩阵、历史环境重构数据矩阵以及风速单支重构数据矩阵，并将历史出力重构数据矩阵、历史环境重构数据矩阵以及风速单支重构数据矩阵通过基于全局特征及突变特征的预测模型进行特征提取和加权融合，得到第一出力预测结果；将历史出力数据通过自适应预测模型进行反向分布式能源出力预测求解后，得到第二出力预测结果，对第一出力预测结果和第二出力预测结果进行复合加权融合，得到第三出力预测结果，利用第三出力预测结果构建分布式能源优化调度模型后，并进行求解，得到调度结果。该方法将环境、负荷、调度三者有效融合，采用双向预测进一步提高分布式能源出力预测的准确性，将优化调度建立在预测出力的基础上，使得海量分布式能源的整体调度更优化。
附图说明
图1：为本发明提供的分布式能源双向预测优化调度方法一种实施例的流程示意图；
图2：为本发明提供的分布式能源双向预测优化调度方法一种实施例的数据计算流程示意图；
图3：为本发明提供的分布式能源双向预测优化调度方法一种实施例的第一预测流程示意图；
图4：为本发明提供的分布式能源双向预测优化调度方法一种实施例的第二预测流程示意图；
图5：为本发明提供的分布式能源双向预测优化调度方法另一种实施例的系统结构示意图；
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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。
实施例一
请参照图1，为本发明实施例提供的一种分布式能源双向预测优化调度方法，该包括步骤101至步骤104，各步骤具体如下：
步骤101：获取待监测区域内的历史出力数据、历史环境数据、历史负荷数据以及历史调度策略，其中，历史出力数据包括历史风力发电出力数据和历史光伏发电出力数据。
在本实施例中，获取监测区域中在预设时间内的可再生能源历史出力数据、历史环境数据和历史负荷数据，并获取历史调度策略。其中，历史出力数据包括历史风力发电出力数据和历史光伏发电出力数据，历史环境数据包括历史环境光照强度、历史切入风速，历史切出风速数据。
需要说明的是，获取数据的时间段以及时间间隔可以根据实际需要来确定。
作为本实施例的一种举例，可以获取监测区域内在当前日期前30日，以15分钟为间隔的历史风力发电出力数据、历史光伏发电出力数据、历史负荷数据以及历史环境光照强度、历史切入风速和历史切出风速。
步骤102：对历史出力数据和历史环境数据分别进行正交小波变换及重构处理，得到历史出力重构数据矩阵和历史环境重构数据矩阵，并将历史出力重构数据矩阵和历史环境重构数据矩阵通过基于全局特征及突变特征的预测模型进行特征提取和加权融合，得到第一出力预测结果。
可选的，对历史出力数据和历史环境数据分别进行正交小波变换及重构处理，得到历史出力重构数据矩阵和历史环境重构数据矩阵，具体为：
将获取的预设时间段内的历史出力数据和历史环境数据中的各个数据进行归一化处理，得到归一化后的历史出力数据、归一化后的历史环境数据，其中，历史环境数据包括历史环境光照强度数据、历史切入风速数据和历史切出风速数据，其中，归一化处理过程为：
其中，PWH表示可再生能源历史风力发电出力数据、PPVH表示历史光伏发电出力数据、PLH表示历史负荷数据、IH表示历史环境光照强度、VciH表示历史切入风速，VcoH表示历史切出风速、PWH,min,PPVH,min,IH,min，VciH,min和VcoH,min以及PWH,max,PPVH,max,PLH,max,IH,max，VciH,max和VcoH,max分别表示为历史风力发电出力数据、历史光伏发电出力数据、历史环境光照强度、历史切入风速，历史切出风速最小值和最大值，P′WH、P′PVH、I'H、V′ciH以及V′coH分别表示为归一化后的历史风力发电出力数据、历史光伏发电出力数据、历史环境光照强度、历史切入风速、历史切出风速；
对归一化后的历史出力数据和归一化后的历史环境数据中的各个数据分别按照预设变换公式进行正小波变换分解，得到归一化后的历史出力数据和归一化后的历史环境数据中每个数据所对应的实部树分解小波系数和虚部树分解小波系数，其中，预设变换公式为：
其中，x(t)是待处理的信号，表示实部树分解小波系数，/>表示实部树分解尺度系数，/>表示虚部树分解小波系数，/>表示虚部树分解尺度系数，ψh(t)是实部小波函数，ψg(t)是虚部小波函数，J表示小波分解的层数，j表示尺度因子；
根据实部树分解小波系数和虚部树分解小波系数通过重构公式计算，得到每个数据所对应的小波系数重构信号和尺度系数重构信号，其中，重构公式为：
/>
其中，dj(t)表示为某一数据小波系数重构信号，cJ(t)表示为某一数据尺度系数重构信号，t＝1,2，L，M，M为重构信号的长度，n为重构信号的序号，n＝1,2，L，M；表示实部树分解小波系数，/>表示实部树分解尺度系数，/>表示虚部树分解小波系数，表示虚部树分解尺度系数，ψh(t)表示实部小波函数，ψg(t)表示虚部小波函数，J表示小波分解的层数，j表示尺度因子；
根据各个数据的小波系数重构信号和尺度系数重构信号构建矩阵，得到历史出力重构数据矩阵和历史环境重构数据矩阵。
在本实施例中，如图2所示，为了消除不同数据量纲的影响，对获取的历史出力数据和历史环境数据进行归一化预处理后得到归一化后的历史出力数据、归一化后的历史环境数据，其中，历史环境数据包括历史环境光照强度数据、历史切入风速数据，历史切出风速数据归一化过程为：
其中，PWH表示可再生能源历史风力发电出力数据、PPVH表示历史光伏发电出力数据、PLH表示历史负荷数据、IH表示历史环境光照强度、VciH表示历史切入风速，VcoH表示历史切出风速、PWH,min,PPVH,min,PLH,min,IH,min，VciH,min和VcoH,min以及PWH,max,PPVH,max,PLH,max,IH,max，VciH,max和VcoH,max分别表示为历史风力发电出力数据、历史光伏发电出力数据、历史负荷数据、历史环境光照强度、历史切入风速，历史切出风速最小值和最大值，PW'H、PP'VH、PL'H、I'H、Vc'iH以及Vc'oH分别表示为归一化后的历史风力发电出力数据、历史光伏发电出力数据、历史负荷数据、历史环境光照强度、历史切入风速，历史切出风速。
在得到归一化后的历史风力发电出力数据、历史光伏发电出力数据、历史负荷数据、历史环境光照强度、历史切入风速和历史切出风速数据后，对历史风力发电出力数据、历史光伏发电出力数据、历史负荷数据、历史环境光照强度、历史切入风速和历史切出风速数据进行正交小波变换及重构，具体方法为：
根据以下公式对所有数据进行分解，得到各个数据的实部树分解小波系数和虚部树分解小波系数，分解公式为：
其中，x(t)是待处理的信号，表示实部树分解小波系数，/>表示实部树分解尺度系数，/>表示虚部树分解小波系数，/>表示虚部树分解尺度系数，ψh(t)是实部小波函数，ψg(t)是虚部小波函数，J表示小波分解的层数，j表示尺度因子。
然后根据实部树分解小波系数和虚部树分解小波系数通过重构公式计算，得到每个数据所对应的小波系数重构信号和尺度系数重构信号，再根据各个数据的小波系数重构信号和尺度系数重构信号构建矩阵，得到历史出力重构数据矩阵和历史环境重构数据矩阵，重构公式为：
其中，dj(t)表示为某一数据小波系数重构信号，cJ(t)表示为某一数据尺度系数重构信号，t＝1,2，L，M，M是信号的长度，n为信号的序号，n＝1,2，L，M；表示实部树分解小波系数，/>表示实部树分解尺度系数，/>表示虚部树分解小波系数，/>表示虚部树分解尺度系数，ψh(t)表示实部小波函数，ψg(t)表示虚部小波函数，J表示小波分解的层数，j表示尺度因子。
作为本实施例的一种举例，选取J＝4，单支重构后可以得到5组数据，如下式所述：
IRCWT＝[cI4,dI4,dI3,dI2,dI1]
VciRCWT＝[cci4,dci4,dci3,dci2,dci1]
VcoRCWT＝[cco4,dco4,dco3,dco2,dco1]
其中，IRCWT表示为历史环境数据中光照单支重构数据矩阵，cI4表示为光照数据尺度系数重构信号，dI4,dI3,dI2,dI1表示为光照数据小波系数重构信号，VciRCWT表示为历史环境数据中切入风速单支重构数据矩阵，cci4表示为切入风速数据尺度系数重构信号，dci4,dci3,dci2,dci1表示为切入风速数据小波系数重构信号，VcoRCWT表示为历史环境数据中切出风速单支重构数据矩阵，cco4表示为切出风速数据尺度系数重构信号，dco4,dco3,dco2,dco1表示为切出风速数据小波系数重构信号。
可选的，将历史出力重构数据矩阵和历史环境重构数据矩阵通过基于全局特征及突变特征的预测模型进行特征提取和加权融合，得到第一出力预测结果，具体为：
将历史出力重构数据矩阵和历史环境重构数据矩阵输入基于全局特征及突变特征的预测模型中，采用全局趋势特征层中对各个数据进行提取，得到第一矩阵，采用局部突变特征层对各个数据进行提取，得到第二矩阵，采用稳态特征对各个数据进行提取，得到第三矩阵，其中，稳态特征计算公式为：
xt＝φ0+φ1xt-1+φ2xt-2+L+φpxt-p+εt
其中，xt表示t时刻的数据，即提取后的数据，φi(i＝1,L,p)为自回归模型系数，εt表示均值为0，方差为σ2的白噪声，p表示当前预测时刻值的数据长度；
对第一矩阵、第二矩阵分别进行卷积和蒸馏操作后，得到新的第一矩阵和新的第二矩阵；
将新的第一矩阵和新的第二矩阵进行融合，得到第四矩阵后，再将第三矩阵和第四矩阵进行加权融合得到第一出力预测结果。
在本实施例中，如图3所示，将历史出力重构数据矩阵和历史环境重构数据矩阵输入基于全局特征及突变特征的预测模型中，该模型为基于全局趋势局部突变的预测网络，主要包括全局趋势特征获取分支，局部突变特征获取分支以及稳态特征获取分支。采用全局趋势特征获取分支对各个数据进行提取，得到第一矩阵，采用局部突变特征层对各个数据进行提取，得到第二矩阵，采用稳态特征对各个数据进行提取，得到第三矩阵，经过嵌入层、蒸馏层对所述第一矩阵、所述第二矩阵分别进行卷积和蒸馏操作后，得到新的第一矩阵和新的第二矩阵，再将新的第一矩阵和新的第二矩阵进行全连接层进行特征融合，得到第四矩阵后，再将第三矩阵和所述第四矩阵进行加权融合得到第一出力预测结果。
可选的，对第一矩阵、第二矩阵分别进行卷积和蒸馏操作后，得到新的第一矩阵和新的第二矩阵，具体为：
依次将第一矩阵和第二矩阵转换成向量矩阵后，将第一矩阵分别与预设多个权重矩阵相乘，得到第一矩阵对应的第一向量矩阵、第二向量矩阵和第三向量矩阵；
根据预设数量的点积对第一向量矩阵进行近似性评估计算，得到第一向量矩阵中每个向量的近似性评估标准，其中，所述近似性评估标准为：
其中，LQ和LK分别表示为第一向量矩阵和第二向量矩阵/>的长度，qi和kj是第一向量矩阵Q1和第二向量矩阵K1的第i个和第j个数据，上标T是转置运算，d表示为矩阵Q1、K1、V1的维数；
根据第一向量矩阵中每个向量的近似性评估标准，得到每个向量对计算注意力值的贡献值，选取贡献值最大的向量作为第五矩阵，并根据第五矩阵通过注意力值计算公式得到概率稀疏注意力值，其中，所述概率稀疏注意力值为：
其中，表示概率稀疏注意力值，Q1表示第一向量矩阵，K1表示第二向量矩阵，V1表示第三向量矩阵，d为矩阵Q1、K1、V1的维数，上标T是转置运算；
根据概率稀疏注意力值和预设权重进行卷积和蒸馏操作后，得到新的第一矩阵和新的第二矩阵，其中，卷积和蒸馏操作过程为：
其中，[g]AB代表经过一个注意力模块后得到的值，Conv1d是一维卷积，ELU是激活层的激活函数，MaxPool是最大池化，为t时刻/>经过第j+1蒸馏层后的数据，即新的第一矩阵。
在本实施例中，在全局趋势特征获取分支中，将历史出力重构数据矩阵和历史环境重构数据矩阵输入全局趋势特征获取分支后，对数据进行特征提取，得到第一矩阵，需要说明的是，若输入的数据有D个特征变量，滤波器尺度为N，滤波器的个数为mg，则得到的第一矩阵维数为D×mg；采用局部突变特征层对各个数据进行特征提取后，得到第二矩阵，若输入数据有D个特征变量，滤波器尺度为L，L长度小于N，滤波器的个数为ml，经过局部突变特征获取分支得到第二矩阵维数为D×ml。
将第一矩阵经过嵌入层转换后的向量矩阵，随机生成三个权重矩阵Wq、Wk、Wv，将第一矩阵分别与三个权重矩阵相乘，得到第一矩阵对应的第一向量矩阵、第二向量矩阵和第三向量矩阵，
Q1＝WqG1
K1＝WkG1
V1＝WvG1
其中，Q1表示第一向量矩阵，K1表示第二向量矩阵，V1表示第三向量矩阵，Wq表示第一权重矩阵，Wk表示第二权重矩阵，Wv表示第三矩阵权重，G1表示第一矩阵。
随机选取LQlnLK个点积对近似评估标准公式计算第一向量矩阵中每个向量稀疏性的近似评估标准，近似评估标准公式为：
其中，LQ和LK分别表示为第一向量矩阵和第二向量矩阵/>的长度，qi和kj是第一向量矩阵Q1和第二向量矩阵K1的第i个和第j个数据，上标T是转置运算，d表示为矩阵Q1、K1、V1的维数。
根据所述第一向量矩阵中每个向量的近似性评估标准，选取第一向量矩阵中对注意力值贡献最大的部分，作为第五矩阵，并根据第五矩阵通过注意力值计算公式得到概率稀疏注意力值，注意力值计算公式为：
其中，表示概率稀疏注意力值，Q1表示第一向量矩阵，K1表示第二向量矩阵，V1表示第三向量矩阵，d为矩阵Q1、K1、V1的维数，上标T是转置运算。
将具有主要特征的权重设置更高，蒸馏层第j层到j+1层进行如下操作后，得到新的第一矩阵，操作如下：
其中，[g]AB代表经过一个注意力模块后得到的值，Conv1d是一维卷积，ELU是激活层的激活函数，MaxPool是最大池化，为t时刻/>经过第j+1蒸馏层后的数据，即新的第一矩阵。
然后，将第二矩阵经过嵌入层转换后的向量矩阵，随机生成三个权重矩阵Mq、Mk、Mv，将第二矩阵分别与三个权重矩阵相乘，得到第二矩阵对应的第一向量矩阵、第二向量矩阵和第三向量矩阵，
Q2＝MqG2
K2＝MkG2
V2＝MvG2
其中，Q2表示第一向量矩阵，K2表示第二向量矩阵，V2表示第三向量矩阵，Mq表示第一权重矩阵，Mk表示第二权重矩阵，Mv表示第三矩阵权重。
随机选取LQlnLK个点积对近似评估标准公式计算第一向量矩阵中每个向量稀疏性的近似评估标准，似评估标准公式为：
其中，LQ和LK分别表示为第一向量矩阵和第二向量矩阵/>的长度，qi和kj是第一向量矩阵和第二向量矩阵的第i个和第j个数据，上标T是转置运算，d为矩阵Q2、K2、V2的维数。
根据第一向量矩阵中每个向量的近似性评估标准，选取第一向量矩阵中对注意力值贡献最大的部分，作为第五矩阵，并根据第五矩阵通过注意力值计算公式得到概率稀疏注意力值，注意力值计算公式为：
其中，表示概率稀疏注意力值，Q2表示第一向量矩阵，K2表示第二向量矩阵，V2表示第三向量矩阵，d为矩阵Q2、K2、V2的维数，上标T是转置运算。
将具有主要特征的权重设置更高，蒸馏层第j层到j+1层进行如下操作后，得到新的第二矩阵，操作如下：
其中，[g]AB代表经过一个注意力模块后得到的值，Conv1d是一维卷积，ELU是激活层的激活函数，MaxPool是最大池化，为t时刻/>经过第j+1蒸馏层后的数据。
采用稳态特征对各个数据进行提取，得到第三矩阵，计算公式为：
xt＝φ0+φ1xt-1+φ2xt-2+L+φpxt-p+εt
其中，xt表示t时刻的数据值，φi(i＝1,L,p)为自回归模型系数，εt表示均值为0，方差为σ2的白噪声，p表示当前预测时刻值的数据长度。
将经由全局趋势特征获取分支得到的新的第一矩阵与局部突变特征获取分支得到的新的第二矩阵输入到全连接层后得到特征矩阵Ft后，将稳态特征xt与特征矩阵Ft进行加权融合到最终风力出力或光伏出力预测结果。
步骤103：将历史出力数据、历史负荷数据和历史调度策略通过自适应预测模型进行反向分布式能源出力预测求解后，得到第二出力预测结果。
可选的，将历史出力数据、历史负荷数据和历史调度策略通过自适应预测模型进行反向分布式能源出力预测求解后，得到第二出力预测结果，具体为：
将历史调度策略进行扩展，得到新的历史调度策略；
根据历史负荷数据、新的历史调度策略、历史切入风速、历史切出风速和历史环境光照强度进行构建，得到自适应预测模型，并对自适应预测模型进行求解，得到第二出力预测结果，其中，自适应预测模型包括风力自适应预测模型和光伏自适应预测模块，第二出力预测结果包括风力出力预测结果和光伏出力预测结果。
可选的，根据历史负荷数据、新的历史调度策略、历史切入风速、历史切出风速和历史环境光照强度进行构建，得到自适应预测模型，并对自适应预测模型进行求解，得到第二出力预测结果，具体为：
根据历史负荷数据、新的历史调度策略、历史切入风速和历史切出风速构建风力自适应预测模型，其中，风力自适应预测模型为:
PWH＝βWiXWi+βW
其中，PWH表示风力出力预测结果，βWi(i＝1,2,3,4)为风力出力与相关因素之间的回归系数，βW为风力出力模型整体误差，XWi表示风力出力预测因子矩阵，XWi＝[PLH,DH,VciH,VcoH]，其中，PLH表示历史负荷数据、DH表示新的历史调度策略、VciH表示历史切入风速以及VcoH历史切出风速；
用最小二乘法求解PWH＝βWiXWi+βW回归系数,得到回归系数初始值进一步引入权重/>则权重向量/>可以表示为：
更新xj是XWi中的变量，
对所有正则化因子λn，求解
计算将/>代入PWH＝βWiXWi+βW，得到风力出力预测结果；
对于光伏出力建立基于历史负荷、新的历史调度策略、历史环境光照强度的自适应预测模型：
PPVH＝βPViXPVi+βPV
其中，PPVH表示光伏出力回归模型，βPVi(i＝1,2,3)为光伏出力与相关因素之间的回归系数，βPV为光伏出力模型整体误差，XPVi表示光伏出力预测因子矩阵，XPVi＝[PLH,DH,IH]，其中，PLH表示历史负荷数据、DH表示新的历史调度策略以及IH表示历史环境光照强度；
用最小二乘法求解PPVH＝βPViXPVi+βPV的回归系数,得到回归系数初始值进一步引入权重/>则权重向量/>可以表示为：
更新xj是XPVi中的变量，
对所有正则化因子λn，求解
计算将/>代入PPVH＝βPViXPVi+βPV，得到光伏出力预测结果。
在本实施例中，如图4所示，对于分布式能源的历史调度策略，先进行扩展使得与其他历史数据具有相同的维度，然后对分布式能源的历史出力数据、历史负荷数据以及历史环境数据进行预处理后，建立出力与负荷、调度策略及环境的线性回归模型，自适应预测模型自适应预测模型中为风力自适应预测模型和光伏自适应预测模型。
对于风力出力建立基于历史负荷、新的历史调度策略、历史切入风速及历史切出风速的自适应预测模型：
PWH＝βWiXWi+βW
其中，PWH表示风力出力预测结果，βWi(i＝1,2,3,4)为风力出力与相关因素之间的回归系数，βW为风力出力模型整体误差，XWi表示风力出力预测因子矩阵，XWi＝[PLH,DH,VciH,VcoH]，其中，PLH表示历史负荷数据、DH表示新的历史调度策略、VciH表示历史切入风速以及VcoH历史切出风速；
首先用最小二乘法求解风力自适应预测模型的回归系数,得到回归系数初始值进一步引入权重/>则权重向量/>可以表示为：
接下来，更新xj是XWi中的变量；
进一步，对所有正则化因子λn，求解
进一步计算：
将代入PWH＝βWiXWi+βW，即得到对于风力出力的预测；
对于光伏出力建立基于历史负荷、新的历史调度策略、历史环境光照强度的自适应预测模型：
PPVH＝βPViXPVi+βPV
其中，PPVH表示光伏出力回归模型，βPVi(i＝1,2,3)为光伏出力与相关因素之间的回归系数，βPV为光伏出力模型整体误差，XPVi表示光伏出力预测因子矩阵，XPVi＝[PLH,DH,IH]，其中，PLH表示历史负荷数据、DH表示新的历史调度策略以及IH表示历史环境光照强度；
首先用最小二乘法求解光伏自适应预测模型的回归系数,得到回归系数初始值进一步引入权重/>则权重向量/>可以表示为：
接下来，更新xj是XPVi中的变量；
进一步，对所有正则化因子λn，求解
进一步计算将/>代入PPVH＝βPViXPVi+βPV，即得到对于光伏出力的预测。
步骤104：对第一出力预测结果和第二出力预测结果进行复合加权融合，得到第三出力预测结果。
可选的，对第一出力预测结果和第二出力预测结果进行复合加权融合，得到第三出力预测结果，具体为：
将第一出力预测结果和第二出力预测结果采用加权平均的方法进行融合，得到第三出力预测结果，具体计算公式为：
PHP＝θPHP1+(1-θ)PHP2
其中，PHP表示第三出力预测结果，PHP1表示第一出力预测结果，PHP2表示第二出力预测结果，θ表示利用正向预测方法预测得到功率的系数。
在本实施例中，将第一预测结果和第二预测结果采用加权平均的方法进行出力预测融合，风力出力预测结果为：
PWTP＝θ1PWP1+(1-θ1)PWP2
光伏出力预测结果为：
PPVP＝θ2PPVP1+(1-θ2)PPVP2
其中，PWTP表示风力复合出力预测值，PWP1表示第一风力预测结果，PWP2表示风力出力预测结果，PPVP表示光伏复合出力预测值，PPVP1表示第一光伏出力预测结果，PPVP2表示光伏出力预测结果，θ1是风力出力利用正向预测方法预测得到功率的系数，θ2是光伏出力利用正向预测方法预测得到功率的系数。
步骤105：利用第三出力预测结果构建分布式能源优化调度模型，使用分布式能源优化调度模型对历史出力数据及储能设备运行数据进行优化调度，得到调度结果，以使配电网根据调度结果对能源进行调度，其中，调度结果包括光伏发电功率值、风力发电功率值、储能系统运行功率值以及切负荷功率值。
可选的，根据第三预测结果和发电成本系数进行构建，得到发电成本，其中，发电成本为光伏发电成本或者风力发电成本；
根据充电运行成本系数、放电运行成本系数、充电效率、放电效率、充电功率和放电功率构建，得到储能设备运行管理成本；
根据储能设备运行环境治理成本系数、储能设备充电功率和储能设备放电功率进行构建，得到储能设备环境治理成本，根据切负荷惩罚系数和切负荷功率构建，得到切负荷成本；
根据发电成本、储能设备运行管理成本、储能设备环境治理成本和切负荷成本构建分布式能源优化调度模型的目标函数和约束条件，其中，目标函数为：
min(CPV+CWT+CSV+CSVE+Closs)
其中，CPV为光伏发电成本，CWT为风力发电成本，CSV为储能设备运行管理成本，CSVE为储能设备环境治理成本，Closs为切负荷成本；
利用交替方向乘子法对目标函数和约束条件进行求解，得到调度结果，其中，调度结果包括光伏发电功率值、风力发电功率值、储能系统运行功率值以及切负荷功率值。
在本实施例中，利用第三预测结果，即第三预测功率进行发电成本的计算：
光伏发电成本为：
CPV＝kPVPPVT
其中，kPV是光伏发电成本系数，PPVT是光伏发电量，
约束条件：PPVmin≤PPVT≤PPVP；
风力发电成本为：
CWT＝kWTPWTT
其中，kWT是风力发电成本系数，PWTT是风力发电量；
约束条件为：PWTmin≤PWTT≤PWTP；
储能设备运行管理成本及环境治理成本计算包括储能设备运行管理成本和储能设备环境治理成本。
储能设备运行管理成本为：
CSV＝kchηchPch+kdisηdisPdis
其中，kch和kdis分别是充电和放电运行时的成本系数，ηch和ηdis分别是充电和放电效率，Pch和Pdis分别充放电的功率；
储能设备环境治理成本为：
CSVE＝kSVE(Pch+Pdis)
其中，kSVE是储能设备运行环境治理成本系数，Pch表示为能设备充电功率，Pdis表示为储能设备放电功率；
约束条件为：Pch,min≤Pch≤Pch,max和Pdis,min≤Pdis≤Pdis,max；
其中，Pch,min和Pch,max分别表示储能设备充电的最小和最大功率，Pdis,min和Pdis,max分别表示储能设备放电的最小和最大功率；
切负荷成本为：
Closs＝klossPloss
其中，kloss是切负荷惩罚系数，Ploss是切负荷功率；
约束条件：0≤Ploss≤Ploss,max；
其中，Ploss,max是最大允许切负荷量；
将海量分布能源优化调度问题为整体的发电成本最小，环境治理成本最小，切负荷成本最小，得到海量分布能源优化调度目标函数：
min(CPV+CWT+CSV+CSVE+Closs)
总的功率平衡约束条件为：
其中，PL1为充电时约束条件，PL2为放电时约束条件。
最后利用交替方向乘子法求解最优化问题，得到光伏发电、风力发电、储能系统充电或放电功率，以及切负荷功率的值，实现基于分布式能源出力预测基础上的系统优化调度。
该方法通过获取待监测区域内的历史出力数据、历史环境数据、历史负荷数据以及历史调度策略，对历史出力数据和历史环境数据分别进行正交小波变换及重构处理，得到历史出力重构数据矩阵、历史环境重构数据矩阵以及风速单支重构数据矩阵，并将历史出力重构数据矩阵、历史环境重构数据矩阵以及风速单支重构数据矩阵通过基于全局特征及突变特征的预测模型进行特征提取和加权融合，得到第一出力预测结果；将历史出力数据通过自适应预测模型进行反向分布式能源出力预测求解后，得到第二出力预测结果，对第一出力预测结果和第二出力预测结果进行复合加权融合，得到第三出力预测结果，利用第三出力预测结果构建分布式能源优化调度模型，以使分布式能源优化调度模型对历史出力数据、历史环境数据和历史负荷数据进行求解，得到调度结果。将环境、负荷、调度三者有效融合，采用双向预测进一步提高分布式能源出力预测的准确性，将优化调度建立在预测出力的基础上，使得海量分布式能源的整体调度更优化。
实施例二
相应地，参见图5，图5是本发明提供的分布式能源双向预测优化调度系统结构示意图，如图所述，该分布式能源双向预测优化调度系统，包括获取模块501、第一预测模块502、第二预测模块503、第三预测模块504和调度结果模块505，其中，各模块具体单元如下：
获取模块501，用于获取待监测区域内的历史出力数据、历史环境数据、历史负荷数据以及历史调度策略，其中，所述历史出力数据包括历史风力发电出力数据和历史光伏发电出力数据；
第一预测模块502，用于对历史出力数据和历史环境数据分别进行正交小波变换及重构处理，得到历史出力重构数据矩阵和历史环境重构数据矩阵，并将所述历史出力重构数据矩阵和所述历史环境重构数据矩阵通过基于全局特征及突变特征的预测模型进行特征提取和加权融合，得到第一出力预测结果；
第二预测模块503，用于将所述历史出力数据、所述历史负荷数据和所述历史调度策略通过自适应预测模型进行反向分布式能源出力预测求解后，得到第二出力预测结果；
第三预测模块504，用于对所述第一出力预测结果和所述第二出力预测结果进行复合加权融合，得到第三出力预测结果；
调度结果模块505，用于利用第三出力预测结果构建分布式能源优化调度模型，并对所述分布式能源优化调度模型求解，得到调度结果，以使配电网根据所述调度结果对能源进行调度，其中，所述调度结果包括光伏发电功率值、风力发电功率值、储能系统运行功率值以及切负荷功率值。
可选的，第一预测模块502包括归一化单元5021、分解单元5022、重构单元5023和矩阵单元5024，
其中，归一化单元5021用于将获取的预设时间段内的历史出力数据和历史环境数据中的各个数据进行归一化处理，得到归一化后的历史出力数据和归一化后的历史环境数据，其中，历史环境数据包括历史环境光照强度数据、历史切入风速数据和历史切出风速数据，其中，归一化处理过程为：
其中，PWH表示可再生能源历史风力发电出力数据、PPVH表示历史光伏发电出力数据、IH表示历史环境光照强度、VciH表示历史切入风速，VcoH表示历史切出风速、PWH,min,PPVH,min,PLH,min,IH,min，VciH,min和VcoH,min以及PWH,max,PPVH,max,IH,max，VciH,max和VcoH,max分别表示为历史风力发电出力数据、历史光伏发电出力数据、历史负荷数据、历史环境光照强度、历史切入风速，历史切出风速最小值和最大值，P′WH、P′PVH、I'H、V′ciH以及V′coH分别表示为归一化后的历史风力发电出力数据、历史光伏发电出力数据、历史环境光照强度、历史切入风速，历史切出风速；
分解单元5022用于对归一化后的历史出力数据、归一化后的历史环境数据中的各个数据分别按照预设变换公式进行正小波变换分解，得到归一化后的历史出力数据、归一化后的历史环境数据中每个数据所对应的实部树分解小波系数和虚部树分解小波系数，其中，预设变换公式为：
其中，x(t)是待处理的信号，表示实部树分解小波系数，/>表示实部树分解尺度系数，/>表示虚部树分解小波系数，/>表示虚部树分解尺度系数，ψh(t)是实部小波函数，ψg(t)是虚部小波函数，J表示小波分解的层数，j表示尺度因子；
重构单元5023用于根据实部树分解小波系数和虚部树分解小波系数通过重构公式计算，得到每个数据所对应的小波系数重构信号和尺度系数重构信号，其中，重构公式为：
其中，dj(t)表示为某一数据小波系数重构信号，cJ(t)表示为某一数据尺度系数重构信号，t＝1,2，L，M，M是信号的长度，n为信号的序号，n＝1,2，L，M；表示实部树分解小波系数，/>表示实部树分解尺度系数，/>表示虚部树分解小波系数，/>表示虚部树分解尺度系数，ψh(t)表示实部小波函数，ψg(t)表示虚部小波函数，J表示小波分解的层数，j表示尺度因子；
矩阵单元5024用于根据各个数据的小波系数重构信号和尺度系数重构信号构建矩阵，得到历史出力重构数据矩阵和历史环境重构数据矩阵。
可选的，第一预测模块502包括第三矩阵单元5025、卷积单元5026和预测单元5027，
第三矩阵单元5025用于将历史出力重构数据矩阵和历史环境重构数据矩阵输入基于全局特征及突变特征的预测模型中，采用全局趋势特征层中对各个数据进行提取，得到第一矩阵，采用局部突变特征层对各个数据进行提取，得到第二矩阵，采用稳态特征对各个数据进行提取，得到第三矩阵，其中，稳态特征计算公式为：
xt＝φ0+φ1xt-1+φ2xt-2+L+φpxt-p+εt
其中，xt表示t时刻的数据，即提取后的数据，φi(i＝1,…,p)为自回归模型系数，εt表示均值为0，方差为σ2的白噪声，p表示当前预测时刻值的数据长度；
卷积单元5026用于对所述第一矩阵、所述第二矩阵分别进行卷积和蒸馏操作后，得到新的第一矩阵和新的第二矩阵；
预测单元5027用于将所述新的第一矩阵和所述新的第二矩阵进行融合，得到第四矩阵后，再将所述第三矩阵和所述第四矩阵进行加权融合得到第一出力预测结果。
可选的，卷积单元5026包括转换子单元50261、评估子单元50262、注意力值计算子单元50263和卷积子单元50264，
转换子单元50261用于依次将第一矩阵和第二矩阵转换成向量矩阵后，将第一矩阵分别与预设多个权重矩阵相乘，得到第一矩阵对应的第一向量矩阵、第二向量矩阵和第三向量矩阵；
评估子单元50262用于根据预设数量的点积对第一向量矩阵进行近似性评估计算，得到第一向量矩阵中每个向量的近似性评估标准，其中，近似性评估标准为：
其中，LQ和LK分别表示为第一向量矩阵和第二向量矩阵/>的长度，qi和kj是第一向量矩阵Q1和第二向量矩阵K1的第i个和第j个数据，上标T是转置运算，d表示为矩阵Q1、K1、V1的维数；
注意力值计算子单元50263用于根据第一向量矩阵中每个向量的近似性评估标准，得到每个向量对计算注意力值的贡献值，选取贡献值最大的向量作为第五矩阵，并根据第五矩阵通过注意力值计算公式得到概率稀疏注意力值，其中，概率稀疏注意力值为：
其中，表示概率稀疏注意力值，Q1表示第一向量矩阵，K1表示第二向量矩阵，V1表示第三向量矩阵，d为矩阵Q1、K1、V1的维数，上标T是转置运算；
卷积子单元50264用于根据概率稀疏注意力值和预设权重进行卷积和蒸馏操作后，得到新的第一矩阵和新的第二矩阵，其中，卷积和蒸馏操作过程为：
其中，[g]AB代表经过一个注意力模块后得到的值，Conv1d是一维卷积，ELU是激活层的激活函数，MaxPool是最大池化，为t时刻/>经过第j+1蒸馏层后的数据，即新的第一矩阵。
可选的，第二预测模块503包括扩展单元5031和第二预测单元5032，
其中，扩展单元5031用于将历史调度策略进行扩展，得到新的历史调度策略；
第二预测单元5032用于根据历史负荷数据、新的历史调度策略、历史切入风速、历史切出风速和历史环境光照强度进行构建，得到自适应预测模型，并对自适应预测模型进行求解，得到第二出力预测结果，其中，自适应预测模型包括风力自适应预测模型和光伏自适应预测模块，第二出力预测结果包括风力出力预测结果和光伏出力预测结果。
可选的，第二预测模块503还用于根据历史负荷数据、新的历史调度策略、历史切入风速、历史切出风速和历史环境光照强度进行构建，得到自适应预测模型，并对自适应预测模型进行求解，得到第二出力预测结果，具体为：
根据历史负荷数据、新的历史调度策略、历史切入风速和历史切出风速构建风力自适应预测模型，其中，风力自适应预测模型为:
PWH＝βWiXWi+βW
其中，PWH表示风力出力预测结果，βWi(i＝1,2,3,4)为风力出力与相关因素之间的回归系数，βW为风力出力模型整体误差，XWi表示风力出力预测因子矩阵，XWi＝[PLH,DH,VciH,VcoH]，其中，PLH表示历史负荷数据、DH表示新的历史调度策略、VciH表示历史切入风速以及VcoH历史切出风速；
用最小二乘法求解PWH＝βWiXWi+βW回归系数,得到回归系数初始值进一步引入权重/>则权重向量/>可以表示为：
更新xj是XWi中的变量，
对所有正则化因子λn，求解
计算将/>代入PWH＝βWiXWi+βW，即得到风力出力预测结果；
对于光伏出力建立基于历史负荷、新的历史调度策略、历史环境光照强度的自适应预测模型：
PPVH＝βPViXPVi+βPV
其中，PPVH表示光伏出力回归模型，βPVi(i＝1,2,3)为光伏出力与相关因素之间的回归系数，βPV为光伏出力模型整体误差，XPVi表示光伏出力预测因子矩阵，XPVi＝[PLH,DH,IH]，其中，PLH表示历史负荷数据、DH表示新的历史调度策略以及IH表示历史环境光照强度；
用最小二乘法求解PPVH＝βPViXPVi+βPV的回归系数,得到回归系数初始值进一步引入权重/>则权重向量/>可以表示为：
更新xj是XPVi中的变量，
对所有正则化因子λn，求解
计算将/>代入PPVH＝βPViXPVi+βPV，得到光伏出力预测结果；
可选的，第三预测模块504包括预测单元5041，
预测单元5041用于对所述第一出力预测结果和所述第二出力预测结果进行复合加权融合，得到第三出力预测结果，具体为：
将所述第一出力预测结果和所述第二出力预测结果采用加权平均的方法进行融合，得到第三出力预测结果，具体计算公式为：
PHP＝θPHP1+(1-θ)PHP2
其中，PHP表示第三出力预测结果，PHP1表示第一出力预测结果，PHP2表示第二出力预测结果，θ表示利用正向预测方法预测得到功率的系数。
调度结果模块505包括发电成本单元5051、储能设备运行管理成本5052、切负荷成本5053、调度模型构建单元5054和计算单元5055，
发电成本单元5051用于根据第三预测结果和发电成本系数进行构建，得到发电成本，其中，发电成本为光伏发电成本或者风力发电成本；
储能设备运行管理成本5052用于根据充电运行成本系数、放电运行成本系数、充电效率、放电效率、充电功率和放电功率构建，得到储能设备运行管理成本；
切负荷成本5053用于根据储能设备运行环境治理成本系数、储能设备充电功率和储能设备放电功率进行构建，得到储能设备环境治理成本，根据切负荷惩罚系数和切负荷功率构建，得到切负荷成本；
调度模型构建单元5054用于根据发电成本、储能设备运行管理成本、储能设备环境治理成本和切负荷成本构建分布式能源优化调度模型的目标函数和约束条件，其中，目标函数为：
min(CPV+CWT+CSV+CSVE+Closs)
其中，CPV为光伏发电成本，CWT为风力发电成本，CSV为储能设备运行管理成本，CSVE为储能设备环境治理成本，Closs为切负荷成本；
计算单元5055用于利用交替方向乘子法对目标函数和约束条件进行求解，得到调度结果，其中，调度结果包括光伏发电功率值、风力发电功率值、储能系统运行功率值以及切负荷功率值。
本实施例更详细的工作原理和步骤流程可以但不限于参见实施例一的相关记载。
相比于现有技术，通过获取待监测区域内的历史出力数据、历史环境数据、历史负荷数据以及历史调度策略，对历史出力数据和历史环境数据分别进行正交小波变换及重构处理，得到历史出力重构数据矩阵、历史环境重构数据矩阵以及风速单支重构数据矩阵，并将历史出力重构数据矩阵、历史环境重构数据矩阵以及风速单支重构数据矩阵通过基于全局特征及突变特征的预测模型进行特征提取和加权融合，得到第一出力预测结果；将历史出力数据通过自适应预测模型进行反向分布式能源出力预测求解后，得到第二出力预测结果，对第一出力预测结果和第二出力预测结果进行复合加权融合，得到第三出力预测结果，利用第三出力预测结果构建分布式能源优化调度模型，以使分布式能源优化调度模型对历史出力数据、历史环境数据和历史负荷数据进行求解，得到调度结果。该方法将环境、负荷、调度三者有效融合，采用双向预测进一步提高分布式能源出力预测的准确性，将优化调度建立在预测出力的基础上，使得海量分布式能源的整体调度更优化。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步的详细说明，应当理解，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围。特别指出，对于本领域技术人员来说，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种分布式能源双向预测优化调度方法，其特征在于，包括：
S1：获取待监测区域内的历史出力数据、历史环境数据、历史负荷数据以及历史调度策略，其中，所述历史出力数据包括历史风力发电出力数据和历史光伏发电出力数据；
S2：对所述历史出力数据和所述历史环境数据分别进行正交小波变换及重构处理，得到历史出力重构数据矩阵和历史环境重构数据矩阵，并将所述历史出力重构数据矩阵和所述历史环境重构数据矩阵通过基于全局特征及局部突变的预测模型进行特征提取和加权融合，得到第一出力预测结果；
S3：将所述历史出力数据、所述历史负荷数据和所述历史调度策略通过自适应预测模型进行反向分布式能源出力预测求解后，得到第二出力预测结果；
S4：对所述第一出力预测结果和所述第二出力预测结果进行复合加权融合，得到第三出力预测结果；
S5：利用第三出力预测结果构建分布式能源优化调度模型，并对所述分布式能源优化调度模型求解，得到调度结果，以使配电网根据所述调度结果对能源进行调度，其中，所述调度结果包括光伏发电功率值、风力发电功率值、储能系统运行功率值以及切负荷功率值。
2.如权利要求1所述的一种分布式能源双向预测优化调度方法，其特征在于，所述对所述历史出力数据和所述历史环境数据分别进行正交小波变换及重构处理，得到历史出力重构数据矩阵和历史环境重构数据矩阵，具体为：
将获取的预设时间段内的所述历史出力数据和所述历史环境数据中的各个数据进行归一化处理，得到归一化后的历史出力数据和归一化后的历史环境数据，其中，所述历史环境数据包括历史环境光照强度数据、历史切入风速数据和历史切出风速数据，其中，归一化处理过程为：
其中，PWH表示可再生能源历史风力发电出力数据、PPVH表示历史光伏发电出力数据、IH表示历史环境光照强度、VciH表示历史切入风速，VcoH表示历史切出风速、PWH,min,PPVH,min,IH,min，VciH,min和VcoH,min以及PWH,max,PPVH,max,IH,max，VciH,max和VcoH,max分别表示为历史风力发电出力数据、历史光伏发电出力数据、历史环境光照强度、历史切入风速、历史切出风速最小值和最大值，P′WH、P′PVH、I'H、V′ciH以及V′coH分别表示为归一化后的历史风力发电出力数据、历史光伏发电出力数据、历史环境光照强度、历史切入风速，历史切出风速；
对所述归一化后的历史出力数据和所述归一化后的历史环境数据分别按照预设变换公式进行正小波变换分解，得到所述归一化后的历史出力数据和所述归一化后的历史环境数据中每个数据所对应的实部树分解小波系数和虚部树分解小波系数，其中，所述预设变换公式为：
其中，x(t)是待处理的信号，表示实部树分解小波系数，/>表示实部树分解尺度系数，/>表示虚部树分解小波系数，/>表示虚部树分解尺度系数，ψh(t)是实部小波函数，ψg(t)是虚部小波函数，J表示小波分解的层数，j表示尺度因子；
根据所述实部树分解小波系数和所述虚部树分解小波系数通过重构公式计算，得到每个数据所对应的小波系数重构信号和尺度系数重构信号，其中，所述重构公式为：
其中，dj(t)表示为某一数据小波系数重构信号，cJ(t)表示为某一数据尺度系数重构信号，t＝1,2，L，M，M为重构信号的长度，n为重构信号的序号，n＝1,2，L，M；表示实部树分解小波系数，/>表示实部树分解尺度系数，/>表示虚部树分解小波系数，/>表示虚部树分解尺度系数，ψh(t)表示实部小波函数，ψg(t)表示虚部小波函数，J表示小波分解的层数，j表示尺度因子；
根据各个数据的所述小波系数重构信号和所述尺度系数重构信号构建矩阵，得到历史出力重构数据矩阵和历史环境重构数据矩阵。
3.如权利要求1所述的一种分布式能源双向预测优化调度方法，其特征在于，所述将所述历史出力重构数据矩阵和所述历史环境重构数据矩阵通过基于全局趋势和局部突变的预测模型进行特征提取和加权融合，得到第一出力预测结果，具体为：
将所述历史出力重构数据矩阵和所述历史环境重构数据矩阵输入基于全局特征及突变特征的预测模型中，采用全局趋势特征层对各个数据进行提取，得到第一矩阵，采用局部突变特征层对各个数据进行提取，得到第二矩阵，采用稳态特征对各个数据进行提取，得到第三矩阵，其中，所述稳态特征计算公式为：
xt＝φ0+φ1xt-1+φ2xt-2+L+φpxt-p+εt
其中，xt表示t时刻的数据，即提取后的数据，φi(i＝1,L,p)为自回归模型系数，εt表示均值为0，方差为σ2的白噪声，p表示当前预测时刻值的数据长度；对所述第一矩阵、所述第二矩阵分别进行卷积和蒸馏操作后，得到新的第一矩阵和新的第二矩阵；
将所述新的第一矩阵和所述新的第二矩阵进行融合，得到第四矩阵后，再将所述第三矩阵和所述第四矩阵进行加权融合得到第一出力预测结果。
4.如权利要求3所述的一种分布式能源双向预测优化调度方法，其特征在于，所述对所述第一矩阵、所述第二矩阵分别进行卷积和蒸馏操作后，得到新的第一矩阵和新的第二矩阵，具体为：
依次将所述第一矩阵和所述第二矩阵转换成向量矩阵后，将所述第一矩阵分别与预设多个权重矩阵相乘，得到所述第一矩阵对应的第一向量矩阵、第二向量矩阵和第三向量矩阵；
根据预设数量的点积对所述第一向量矩阵进行近似性评估计算，得到所述第一向量矩阵中每个向量的近似性评估标准，其中，所述近似性评估标准为：
其中，LQ和LK分别表示为第一向量矩阵和第二向量矩阵/>的长度，qi和kj是第一向量矩阵Q1和第二向量矩阵K1的第i个和第j个数据，上标T是转置运算，d表示为矩阵Q1、K1、V1的维数；
根据所述第一向量矩阵中每个向量的近似性评估标准，得到每个向量对计算注意力值的贡献值，选取贡献值最大的向量作为第五矩阵，并根据所述第五矩阵通过注意力值计算公式得到概率稀疏注意力值，其中，所述概率稀疏注意力值为：
其中，A(Q1,K1,V1)表示概率稀疏注意力值，Q1表示第一向量矩阵，K1表示第二向量矩阵，V1表示第三向量矩阵，d为矩阵Q1、K1、V1的维数，上标T是转置运算；
根据所述概率稀疏注意力值和预设权重进行卷积和蒸馏操作后，得到新的第一矩阵和新的第二矩阵，其中，卷积和蒸馏操作过程为：
其中，[g]AB代表经过一个注意力模块后得到的值，Conv1d是一维卷积，ELU是激活层的激活函数，MaxPool是最大池化，为t时刻/>经过第j+1蒸馏层后的数据，即新的第一矩阵。
5.如权利要求1所述的一种分布式能源双向预测优化调度方法，其特征在于，所述将所述历史出力数据、所述历史负荷数据和所述历史调度策略通过自适应预测模型进行反向分布式能源出力预测求解后，得到第二出力预测结果，具体为：
将所述历史调度策略进行扩展，得到新的历史调度策略；
根据所述历史负荷数据、所述新的历史调度策略、历史切入风速、历史切出风速和所述历史环境光照强度进行构建，得到自适应预测模型，并对所述自适应预测模型进行求解，得到第二出力预测结果，其中，所述自适应预测模型包括风力自适应预测模型和光伏自适应预测模块，所述第二出力预测结果包括风力出力预测结果和光伏出力预测结果。
6.如权利要求5所述的一种分布式能源双向预测优化调度方法，其特征在于，所述根据所述历史负荷数据、所述新的历史调度策略、历史切入风速、历史切出风速和所述历史环境光照强度进行构建，得到自适应预测模型，并对所述自适应预测模型进行求解，得到第二出力预测结果，具体为：
根据所述历史负荷数据、所述新的历史调度策略、所述历史切入风速和所述历史切出风速构建风力自适应预测模型，其中，所述风力自适应预测模型为:
PWH＝βWiXWi+βW
其中，PWH表示风力出力预测结果，βWi(i＝1,2,3,4)为风力出力与相关因素之间的回归系数，βW为风力出力模型整体误差，XWi表示风力出力预测因子矩阵，XWi＝[PLH,DH,VciH,VcoH]，其中，PLH表示历史负荷数据、DH表示新的历史调度策略、VciH表示历史切入风速以及VcoH历史切出风速；
用最小二乘法求解PWH＝βWiXWi+βW回归系数,得到回归系数初始值进一步引入权重/>则权重向量/>可以表示为：
更新j＝1,2,L,p，xj是XWi中的变量，
对所有正则化因子λn，求解
计算将/>代入PWH＝βWiXWi+βW，得到风力出力预测结果；
对于光伏出力建立基于历史负荷、新的历史调度策略、历史环境光照强度的自适应预测模型：
PPVH＝βPViXPVi+βPV
其中，PPVH表示光伏出力回归模型，βPVi(i＝1,2,3)为光伏出力与相关因素之间的回归系数，βPV为光伏出力模型整体误差，XPVi表示光伏出力预测因子矩阵，XPVi＝[PLH,DH,IH]，其中，PLH表示历史负荷数据、DH表示新的历史调度策略以及IH表示历史环境光照强度；
用最小二乘法求解PPVH＝βPViXPVi+βPV的回归系数,得到回归系数初始值进一步引入权重/>则权重向量/>可以表示为：
更新j＝1,2,L,p，xj是XPVi中的变量，
对所有正则化因子λn，求解
计算将/>代入PPVH＝βPViXPVi+βPV，即得到光伏出力预测结果。
7.如权利要求1所述的一种分布式能源双向预测优化调度方法，其特征在于，所述对所述第一出力预测结果和所述第二出力预测结果进行复合加权融合，得到第三出力预测结果，具体为：
将所述第一出力预测结果和所述第二出力预测结果采用加权平均的方法进行融合，得到第三出力预测结果，具体计算公式为：
PHP＝θPHP1+(1-θ)PHP2
其中，PHP表示第三出力预测结果，PHP1表示第一出力预测结果，PHP2表示第二出力预测结果，θ表示利用正向预测方法预测得到功率的系数。
8.如权利要求1所述的一种分布式能源双向预测优化调度方法，其特征在于，所述利用所述第三出力预测结果构建分布式能源优化调度模型，使用所述分布式能源优化调度模型对所述历史出力数据及储能设备运行数据进行优化调度，得到调度结果，具体为：
根据所述第三预测结果和发电成本系数进行构建，得到发电成本，其中，所述发电成本为光伏发电成本或者风力发电成本；
根据充电运行成本系数、放电运行成本系数、充电效率、放电效率、充电功率和放电功率构建，得到储能设备运行管理成本；
根据储能设备运行环境治理成本系数、储能设备充电功率和储能设备放电功率进行构建，得到储能设备环境治理成本，根据切负荷惩罚系数和切负荷功率构建，得到切负荷成本；
根据所述发电成本、所述储能设备运行管理成本、所述储能设备环境治理成本和所述切负荷成本构建所述分布式能源优化调度模型的目标函数和约束条件，其中，所述目标函数为：
min(CPV+CWT+CSV+CSVE+Closs)
其中，CPV为光伏发电成本，CWT为风力发电成本，CSV为储能设备运行管理成本，CSVE为储能设备环境治理成本，Closs为切负荷成本；
利用交替方向乘子法对所述目标函数和约束条件进行求解，得到调度结果，其中，所述调度结果包括光伏发电功率值、风力发电功率值、储能系统运行功率值以及切负荷功率值。
9.一种分布式能源双向预测优化调度系统，其特征在于，包括：
获取模块，用于获取待监测区域内的历史出力数据、历史环境数据、历史负荷数据以及历史调度策略，其中，所述历史出力数据包括历史风力发电出力数据和历史光伏发电出力数据；
第一预测模块，用于对所述历史出力数据和所述历史环境数据分别进行正交小波变换及重构处理，得到历史出力重构数据矩阵和历史环境重构数据矩阵，并将所述历史出力重构数据矩阵和所述历史环境重构数据矩阵通过基于全局趋势和局部突变的预测模型进行特征提取和加权融合，得到第一出力预测结果；
第二预测模块，用于将所述历史出力数据、所述历史负荷数据和所述历史调度策略通过自适应预测模型进行反向分布式能源出力预测求解后，得到第二出力预测结果；
第三预测模块，用于对所述第一出力预测结果和所述第二出力预测结果进行复合加权融合，得到第三出力预测结果；
调度结果模块，用于利用所述第三出力预测结果构建分布式能源优化调度模型，使用所述分布式能源优化调度模型对所述历史出力数据及储能设备运行数据进行优化调度得到调度结果，以使配电网根据所述调度结果对能源进行调度，其中，所述调度结果包括光伏发电功率值、风力发电功率值、储能系统运行功率值以及切负荷功率值。
10.如权利要求9所述的分布式能源双向预测优化调度系统，其特征在于，所述第一预测模块包括归一化单元、分解单元、重构单元和矩阵单元，
其中，所述归一化单元用于将获取的预设时间段内的所述历史出力数据和所述历史环境数据中的各个数据进行归一化处理，得到归一化后的历史出力数据和归一化后的历史环境数据，其中，所述历史环境数据包括历史环境光照强度数据、历史切入风速数据和历史切出风速数据，其中，归一化处理过程为：
其中，PWH表示可再生能源历史风力发电出力数据、PPVH表示历史光伏发电出力数据、IH表示历史环境光照强度、VciH表示历史切入风速，VcoH表示历史切出风速、PWH,min,PPVH,min,IH,min，VciH,min和VcoH,min以及PWH,max,PPVH,max,PLH,max,IH,max，VciH,max和VcoH,max分别表示为历史风力发电出力数据、历史光伏发电出力数据、历史环境光照强度、历史切入风速、历史切出风速最小值和最大值，P′WH、P′PVH、I'H、V′ciH以及V′coH分别表示为归一化后的历史风力发电出力数据、历史光伏发电出力数据、历史环境光照强度、历史切入风速、历史切出风速；
所述分解单元用于对所述归一化后的历史出力数据和所述归一化后的历史环境数据中的各个数据分别按照预设变换公式进行正小波变换分解，得到所述归一化后的历史出力数据和所述归一化后的历史环境数据中每个数据所对应的实部树分解小波系数和虚部树分解小波系数，其中，所述预设变换公式为：
其中，x(t)是待处理的信号，表示实部树分解小波系数，/>表示实部树分解尺度系数，/>表示虚部树分解小波系数，/>表示虚部树分解尺度系数，ψh(t)是实部小波函数，ψg(t)是虚部小波函数，J表示小波分解的层数，j表示尺度因子；
所述重构单元用于根据所述实部树分解小波系数和所述虚部树分解小波系数通过重构公式计算，得到每个数据所对应的小波系数重构信号和尺度系数重构信号，其中，所述重构公式为：
其中，dj(t)表示为某一数据小波系数重构信号，cJ(t)表示为某一数据尺度系数重构信号，t＝1,2，L，M，M是信号的长度，n为信号的序号，n＝1,2，L，M；表示实部树分解小波系数，/>表示实部树分解尺度系数，/>表示虚部树分解小波系数，/>表示虚部树分解尺度系数，ψh(t)表示实部小波函数，ψg(t)表示虚部小波函数，J表示小波分解的层数，j表示尺度因子；
所述矩阵单元用于根据各个数据的所述小波系数重构信号和所述尺度系数重构信号构建矩阵，得到历史出力重构数据矩阵和历史环境重构数据矩阵。
CN202310553282.7A 2023-05-16 2023-05-16 一种分布式能源双向预测优化调度方法及系统 Pending CN116565956A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310553282.7A CN116565956A (zh) 2023-05-16 2023-05-16 一种分布式能源双向预测优化调度方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310553282.7A CN116565956A (zh) 2023-05-16 2023-05-16 一种分布式能源双向预测优化调度方法及系统

Publications (1)

Publication Number Publication Date
CN116565956A true CN116565956A (zh) 2023-08-08

Family

ID=87503188

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310553282.7A Pending CN116565956A (zh) 2023-05-16 2023-05-16 一种分布式能源双向预测优化调度方法及系统

Country Status (1)

Country Link
CN (1) CN116565956A (zh)

Similar Documents

Publication Publication Date Title
CN110298138B (zh) 一种综合能源系统优化方法、装置、设备及可读存储介质
CN102930358B (zh) 一种光伏电站发电功率的神经网络预测方法
CN110059878A (zh) 基于cnn lstm光伏发电功率预测模型及其构建方法
Guo et al. An ensemble solar power output forecasting model through statistical learning of historical weather dataset
CN112215428B (zh) 基于误差修正和模糊逻辑的光伏发电功率预测方法及系统
CN114912721B (zh) 一种储能调峰需求的预测方法及系统
CN111242355A (zh) 一种基于贝叶斯神经网络的光伏概率预测方法及系统
Park et al. Multi-layer RNN-based short-term photovoltaic power forecasting using IoT dataset
Zhang et al. Interval prediction of ultra-short-term photovoltaic power based on a hybrid model
CN112116171A (zh) 一种新型基于神经网络的光伏发电功率预测方法
Yan et al. Operating power reserve quantification through PV generation uncertainty analysis of a microgrid
CN116418001A (zh) 应对新能源不确定性的水库群多能互补调度方法与系统
CN114444805A (zh) 多光伏电站共享储能系统平滑出力的控制方法
Souabi et al. Data-driven prediction models of photovoltaic energy for smart grid applications
CN113837434A (zh) 太阳能光伏发电预测方法、装置、电子设备和存储介质
Chen et al. Short interval solar power prediction for energy harvesting with low computation cost on edge computation network
Xue et al. Short-term Photovoltaic Power Prediction of Bi-LSTM Based on MIC
CN116565956A (zh) 一种分布式能源双向预测优化调度方法及系统
CN116341728A (zh) 一种基于数据驱动的超短期光伏输出功率预测方法
Tran et al. Short-term solar power generation forecasting using edge ai
Kaysal et al. Comparison the performance of different optimization methods in artificial intelligence based electricity production forecasting
CN115456235A (zh) 一种基于多模态融合的光伏功率预测系统
Ananthu et al. A study of 100kWp PV Plant Output Power Forecasting: A case study
Paulin et al. SOLAR PHOTOVOLTAIC OUTPUT POWER FORECASTING USING BACK PROPAGATION NEURAL NETWORK.
CN115021331A (zh) 基于贡献系数法的清洁能源基地水风光一体化补偿方法

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