CN116611669B - 一种需求侧资源可行域聚合方法、系统及电子设备 - Google Patents
一种需求侧资源可行域聚合方法、系统及电子设备 Download PDFInfo
- Publication number
- CN116611669B CN116611669B CN202310868286.4A CN202310868286A CN116611669B CN 116611669 B CN116611669 B CN 116611669B CN 202310868286 A CN202310868286 A CN 202310868286A CN 116611669 B CN116611669 B CN 116611669B
- Authority
- CN
- China
- Prior art keywords
- demand
- demand side
- feasible
- resource
- side resource
- 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 63
- 230000004931 aggregating effect Effects 0.000 title claims abstract description 27
- 238000004220 aggregation Methods 0.000 claims abstract description 63
- 230000002776 aggregation Effects 0.000 claims abstract description 62
- 230000005611 electricity Effects 0.000 claims abstract description 40
- 230000006399 behavior Effects 0.000 claims description 42
- 239000011159 matrix material Substances 0.000 claims description 22
- 230000015654 memory Effects 0.000 claims description 16
- 238000000354 decomposition reaction Methods 0.000 claims description 11
- 230000007812 deficiency Effects 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 8
- 230000021715 photosynthesis, light harvesting Effects 0.000 claims description 8
- 239000013598 vector Substances 0.000 claims description 8
- 230000006735 deficit Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 description 7
- 238000004146 energy storage Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 210000004027 cell Anatomy 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000007599 discharging Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000006116 polymerization reaction Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- G06Q10/06—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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- 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)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Marketing (AREA)
- Accounting & Taxation (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种需求侧资源可行域聚合方法、系统及电子设备,属于需求侧资源聚合领域,方法包括:根据历史居民用电行为数据、历史光伏出力及历史负荷数据对未来设定时段内的居民用电行为、光伏出力及负荷进行预测;根据需求侧资源的物理特性数据及居民用电行为预测数据建立虚拟电池模型,并采用半平面形式的凸多胞体表征虚拟电池模型,以得到各需求侧资源的灵活性可行域;采用闵可夫斯基求和方法对各需求侧资源的灵活性可行域进行聚合,得到需求侧资源聚合商可行域;根据需求侧资源聚合商可行域、光伏出力预测数据及负荷预测数据对各需求侧资源进行调度。本发明在保证聚合精度的同时提高了资源可行域的聚合效率。
Description
技术领域
本发明涉及需求侧资源聚合领域,特别是涉及一种基于外逼近闵可夫斯基求和的需求侧资源可行域聚合方法、系统及电子设备。
背景技术
高比例新能源并网背景下,电网在局部时段的灵活性严重不足,需求侧灵活性逐渐成为研究热点。规模化的需求侧资源将展现出巨大的需求响应潜力。但是负荷具有容量小、规模大、能量时间耦合等特点且分散于系统结构底层,对电价与调控信号相对“绝缘”,灵活性潜力很难得到有效挖掘。以上问题导致对需求侧资源直接进行定量分析与协同控制十分困难,所以须将其灵活性可行域进行聚合,从而形成一种可供调度机构调控的标准外特性表征形式。
描述集群资源灵活性可行域的方法可分为自上而下和自下而上两种。自下而上即从资源单个的设备灵活性可行域进行描述,并进行聚合的方法更占优势。资源灵活性可行域聚合的本质为欧几里得空间的加法运算,即闵可夫斯基求和。现有技术对于高维可行域空间的精确聚合仍然难以计算,需要对单个资源可行域近似处理以提高聚合效率。有研究提出用凸多胞体的半平面表征形式描述资源灵活性,与传统的基于顶点法的表征形式相比具有更高的计算效率,但仍无法应对大规模资源的聚合需求。也有研究使用全对称多胞体并结合内逼近法量化灵活性。该技术虽然提高了聚合效率,但由于全对称多胞体的对称结构,对资源灵活性的描述较为理想,通用性较差。
发明内容
本发明的目的是提供一种需求侧资源可行域聚合方法、系统及电子设备,可在保证聚合精度的同时提高资源可行域的聚合效率。
为实现上述目的,本发明提供了如下方案:
一种需求侧资源可行域聚合方法,包括:
获取历史居民用电行为数据、历史光伏出力、历史负荷数据及需求侧资源的物理特性数据;
根据所述历史居民用电行为数据、所述历史光伏出力及所述历史负荷数据,采用自适应噪声完备集合经验模态分解方法和长短期记忆网络,对未来设定时段内的居民用电行为、光伏出力及负荷进行预测,得到居民用电行为预测数据、光伏出力预测数据及负荷预测数据;
根据需求侧资源的物理特性数据及所述居民用电行为预测数据,建立虚拟电池模型,并采用半平面形式的凸多胞体表征所述虚拟电池模型,以得到各需求侧资源的灵活性可行域;
采用闵可夫斯基求和方法,对各需求侧资源的灵活性可行域进行聚合,得到需求侧资源聚合商可行域;
根据所述需求侧资源聚合商可行域、所述光伏出力预测数据及所述负荷预测数据,对各需求侧资源进行调度。
为实现上述目的,本发明还提供了如下方案:
一种需求侧资源可行域聚合系统,包括:
数据获取单元,用于获取历史居民用电行为数据、历史光伏出力、历史负荷数据及需求侧资源的物理特性数据;
预测单元,与所述数据获取单元连接,用于根据所述历史居民用电行为数据,所述历史光伏出力及所述历史负荷数据,采用自适应噪声完备集合经验模态分解方法和长短期记忆网络,对未来设定时段内的居民用电行为、光伏出力及负荷进行预测,得到居民用电行为预测数据、光伏出力预测数据及负荷预测数据;
可行域确定单元,与所述预测单元连接,用于根据需求侧资源的物理特性数据及所述居民用电行为预测数据,建立虚拟电池模型,并采用半平面形式的凸多胞体表征所述虚拟电池模型,以得到各需求侧资源的灵活性可行域;
聚合单元,与所述可行域确定单元连接,用于采用闵可夫斯基求和方法,对各需求侧资源的灵活性可行域进行聚合,得到需求侧资源聚合商可行域;
调度单元,分别与所述预测单元及所述聚合单元连接,用于根据所述需求侧资源聚合商可行域、所述光伏出力预测数据及所述负荷预测数据,对各需求侧资源进行调度。
为实现上述目的,本发明还提供了如下方案:
一种电子设备,包括存储器及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述电子设备执行上述的需求侧资源可行域聚合方法。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明根据历史居民用电行为数据、历史光伏出力及历史负荷数据,采用自适应噪声完备集合经验模态分解方法和长短期记忆网络,对未来设定时段内的居民用电行为、光伏出力及负荷进行预测,考虑了需求侧资源聚合商内各居民用电设备的物理特性和人为习惯,然后采用半平面形式的凸多胞体表征虚拟电池模型,以得到各需求侧资源的灵活性可行域,采用外逼近闵可夫斯基求和方法对各需求侧资源的灵活性可行域进行聚合,在保证聚合精度的同时显著降低了计算负担,有效解决了需求侧资源聚合商在调度层级大规模运算设备求解效率低下的难题。
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性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的需求侧资源可行域聚合方法的流程图;
图2为外逼近闵可夫斯基求和边界示意图;
图3为需求侧资源可行域的外逼近闵可夫斯基聚合过程的示意图;
图4为给定时间维度24,不同数量的外逼近聚合结果图;
图5为给定聚合数量为100,不同时间维度的外逼近聚合结果图;
图6为本发明提供的需求侧资源可行域聚合系统的示意图。
符号说明:
11-数据获取单元,12-预测单元,13-可行域确定单元,14-聚合单元,15-调度单元。
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做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。
本发明的目的是以具有储能特性的负荷作为研究对象,提供一种需求侧资源可行域聚合方法、系统及电子设备,通过分析储能负荷设备异质性对聚合效果的影响,对于具有储能特性的其它需求侧资源如电动汽车、电储能的可行域聚合具有一定的普适性,对提升资源可行域聚合效率具有实际意义。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例一
如图1所示,本实施例提供了一种需求侧资源可行域聚合方法,包括:
步骤100:获取历史居民用电行为数据、历史光伏出力、历史负荷数据及需求侧资源的物理特性数据。即需求侧资源用电设备的物理特性数据。
具体地,所述需求侧资源的物理特性数据包括:能量上限、能量下限、充电功率最大值、放电功率最大值、功率上限、功率下限、容量、充电桩参数等。在本实施例中,需求侧资源为电动汽车。
步骤200:根据所述历史居民用电行为数据,所述历史光伏出力及所述历史负荷数据,采用自适应噪声完备集合经验模态分解方法和长短期记忆网络,对未来设定时段内的居民用电行为、光伏出力及负荷进行预测,得到居民用电行为预测数据、光伏出力预测数据及负荷预测数据。
具体地,所述居民用电行为预测数据包括需求侧资源的入网时间、离网时间、期望离网时的能量、荷电状态等。
在本实施例中,采用自适应噪声完备集合经验模态分解方法(Complete EnsembleEmpirical Mode Decomposition with Adaptive Noise,CEEMDAN)与长短期记忆网络(Long Short-Term Memory,LSTM)相结合对未来设定时段内的居民用电行为、光伏出力及负荷进行预测。
CEEMDAN可以通过数据的特征时间尺度来获得数量不同的本征模函数,不同时间尺度的本征模分量代表了不同的特征波动时间序列,使得预测模型训练过程中原始数据不同时间尺度的波动特征得到很好的运用。CEEMDAN有效解决了经验模态分解(EmpiricalMode Decomposition ,EMD)会产生的端点效应和模态混叠等问题,同时很好地消除白噪声,使得重构误差降低。
作为深度神经网络的一种,LSTM在循环神经网络的基础上增加了遗忘门、输入门和输出门,这样LSTM就可选择性的删除和记忆特定的信息。同时,LSTM解决了梯度爆炸和消失的问题,可以通过前一时刻的状态推出后一时刻的状态,从而达到“记忆”的功能,有效提高预测模型的精度。LSTM预测居民用电行为的计算过程如下式:
;
;
;
;
;
其中,int为输入门,用于输入历史居民用电行为数据,xt为给定的时间序列,即历史居民用电行为数据,ft为遗忘门,用于删除不重要的信息,ct为神经元的细胞状态,ot为输出门,用于输出居民用电行为预测数据,为输入信息到输入门的权重矩阵,/>为输入信息到遗忘门的权重矩阵,/>为输入信息到输出门的权重矩阵,/>为上时刻输出到输入门的权重矩阵,/>为上时刻输出到遗忘门的权重矩阵,/>为上时刻输出到输出门的权重矩阵,/>为记忆细胞到输入门的权重矩阵,/>为上时刻输出到记忆细胞的权重矩阵,/>为记忆细胞到输入门的权重矩阵,/>为记忆细胞到遗忘门的权重矩阵,/>为记忆细胞到输出门的权重矩阵,bin为输入门的偏置量,bf为遗忘门的偏置量,bc为神经元的偏置量,bo为输出门的偏置量,/>和tanh为激活函数,ht为中间变量,t表示时刻。光伏出力预测数据及负荷预测数据采用同样的计算过程得到。
步骤300:根据需求侧资源的物理特性数据及所述居民用电行为预测数据,建立虚拟电池模型,并采用半平面形式的凸多胞体表征所述虚拟电池模型,以得到各需求侧资源的灵活性可行域。
具体地,建立具有凸多胞体半平面表征的虚拟电池模型,刻画资源的灵活性可行域,以便于后续资源可行域的聚合,降低模型复杂度。根据居民用电行为预测数据,将需求侧资源的灵活性通过虚拟电池模型量化,得到功率调节域与能量储备域。所述虚拟电池模型为:
;
;
;
其中,PVB,i(t)为t时刻第i个需求侧资源的功率,PVB,i(t+1)为t+1时刻第i个需求侧资源的功率,EVB,i(t)为t时刻第i个需求侧资源的能量,EVB,i(t+1)为t+1时刻第i个需求侧资源的能量,为t时刻第i个需求侧资源的功率上限,/>为t时刻第i个需求侧资源的功率下限,/>为t时刻第i个需求侧资源的能量上限,/>为t时刻第i个需求侧资源的能量下限,/>为第i个需求侧资源的能量耗散系数,/>为时间间隔。
虚拟电池模型中的功率与能量的上下限组成了需求侧资源的灵活性可行域,代表了资源可调节特性,可通过居民用电行为预测数据和用电设备的物理特性数据量化得到,如下式:
;
;
;
;
其中,Ti,o为第i个需求侧资源的入网时间,Ti,d为第i个需求侧资源的离网时间,为第i个需求侧资源期望离网时的能量值,/>为第i个需求侧资源的充电功率最大值,即考虑充电桩的充放电效率基础上第i个需求侧资源的充电功率最大值,/>为第i个需求侧资源的放电功率最大值,即考虑充电桩的充放电效率基础上第i个需求侧资源的放电功率最大值,/>为第i个需求侧资源的容量上限,/>为第i个需求侧资源的容量下限,/>为t时刻第i个需求侧资源的能量上限,/>为t+1时刻第i个需求侧资源的能量上限,/>为t时刻第i个需求侧资源的能量下限,/>为t+1时刻第i个需求侧资源的能量下限。
虚拟电池模型采用一套标准的电池参数描述异质时耦资源的灵活性,具有时移的功率与能量边界,使得可行域的聚合更加容易。
将虚拟电池模型以凸多胞体表征。凸多胞体为有界且封闭的空间,边界由多个超平面组成,凸多胞体的半平面表征(H-表达)相比顶点集表征(V-表达)对于灵活性资源的可行域表示更直观且适用性更广。需要注意的是,虽然H-表达与V-表达可以通过点枚举与面枚举相互转换,但是对于有界多胞体的点和面枚举为NP-hard问题,其复杂性仍未解决。所以本发明使用半平面的形式对凸多胞体进行表征。第i个需求侧资源的灵活性可行域为:
;
;
;
;
;
;
;
其中,为第i个需求侧资源的灵活性可行域,pi为第i个需求侧资源在调度周期内的功率,即虚拟电池模型中的PVB,i(t),E为单位矩阵,Ai为表征单个需求侧资源虚拟电池模型可行域的不等式系数矩阵,bi为表征单个需求侧资源虚拟电池模型可行域的列向量,为表征第i个需求侧资源可行域的不等式系数矩阵,由第i个需求侧资源的能量耗散系数决定,/>为表征第i个需求侧资源功率可行域的列向量,/>为表征第i个需求侧资源能量可行域的列向量,/>表示第i个需求侧资源的功率约束,/>表示第i个需求侧资源的能量约束,T为调度周期。/>为初始时刻第i个需求侧资源的功率下限,为T时刻第i个需求侧资源的功率下限,/>为初始时刻第i个需求侧资源的功率上限,/>为T时刻第i个需求侧资源的功率上限,/>为初始时刻第i个需求侧资源的能量下限,/>为T时刻第i个需求侧资源的能量下限,/>为初始时刻第i个需求侧资源的能量上限,/>为T时刻第i个需求侧资源的能量上限。
步骤400:采用闵可夫斯基求和方法,对各需求侧资源的灵活性可行域进行聚合,得到需求侧资源聚合商可行域。
具体地,首先采用闵可夫斯基求和方法,对各需求侧资源的灵活性可行域进行聚合,得到需求侧资源聚合后的可行域。然后将需求侧资源聚合后的可行域转换为标准形式,得到需求侧资源聚合商可行域。如图2所示为外逼近闵可夫斯基求和边界示意图。
基于单个储能单元半平面表征的凸多胞体可行域,对各资源凸多胞体可行域进行近似,建立外逼近的闵可夫斯基求和可行域聚合模型,并得到聚合模型的标准形式。
本发明通过求解线性规划寻找最优切平面的方式寻找一个外逼近的通用结构,从而近似异质资源可行域,然后再进行边界求和得到聚合可行域。为应对能量耗散系数不同时的可行域聚合问题,本发明给出所提外逼近闵可夫斯基聚合方法的一般形式。
下面以两个需求侧资源的灵活性可行域的聚合为例进行说明。对于多胞体和,在/>上增加一系列额外的线性约束/>(即在原矩阵增加若干行),若满足下面的不等式,则/>为冗余约束,增加或删去不会改变原多胞体。
;
;
其中,为待定参数,需要尽可能的保证不等式的成立。所以,/>的选取将会对外逼近闵可夫斯基求和的精度产生影响。为达到最好的外逼近效果,本发明使用线性规划问题获得/>的取值。
对于计算得到的,等式/>表示与多胞体/>相切的超平面集。将作为新的约束添加到多胞体/>中,同理可以得到/>,将其作为新的约束添加到多胞体/>中,这时多胞体/>和/>就有了相同形式的系数矩阵。考虑到系数矩阵A1和列向量b1对应的行重新排列顺序不会对资源可行域的表示造成影响,/>和/>的外逼近闵可夫斯基和可以表示为:
;
其中,p1,2为第1个需求侧资源和第2个需求侧资源聚合后的功率,p1为第1个需求侧资源在调度周期内的功率,p2为第2个需求侧资源在调度周期内的功率,表示外逼近闵可夫斯基和。
下面推得N个需求侧资源聚合后的灵活性可行域,N个资源聚合后的可行域为:
;
其中,为N个需求侧资源聚合后的可行域,/>为第1个需求侧资源的灵活性可行域,/>为第N个需求侧资源的灵活性可行域,p为聚合后的聚合商功率变量,/>为N个需求侧资源的系数矩阵/>组成的列矩阵,/>为聚合商灵活性可行域的功率界限,/>为聚合商灵活性可行域的电量界限。
需求侧资源可行域的外逼近闵可夫斯基聚合过程如图3所示。
当满足等式,即模型的能量耗散系数相同时,有成立,k=1,,2,...,N,外逼近的闵可夫斯基聚合方法是准确的。由于线性规划问题为多项式时间复杂性,所以该方法资源可行域计算的复杂度随着资源数量的增加呈多项式增长,保证了外逼近闵可夫斯基聚合方法的效率。
由此,需求侧资源聚合商可行域为:
;
;
;
其中,PVB(t)为t时刻需求侧资源聚合商的功率,可由聚合可行域中的p表示,PVB(t+1)为t+1时刻需求侧资源聚合商的功率,EVB(t)为t时刻需求侧资源聚合商的能量,EVB(t+1)为t+1时刻需求侧资源聚合商的能量,/>为t时刻需求侧资源聚合商的功率上限,/>为t时刻需求侧资源聚合商的功率下限,可由聚合可行域/>的列向量/>表示,/>为t时刻需求侧资源聚合商的能量上限,/>为t时刻需求侧资源聚合商的能量下限,可由聚合可行域/>的列向量/>表示,/>为时间间隔。
在本实施例中,当聚合的多胞体可行域具有相同的能量耗散系数矩阵时,通过边界求和的方式直接计算聚合可行域。当聚合的多胞体可行域的能量耗散系数矩阵不同时,通过求解线性规划寻找最优切平面的方式寻找一个外逼近的通用结构,从而近似异质资源可行域,然后再进行边界求和。
如图4所示为给定时间维度24,不同数量的外逼近聚合结果图,如图5所示为给定聚合数量为100,不同时间维度的外逼近聚合结果图。
步骤500:根据所述需求侧资源聚合商可行域、所述光伏出力预测数据及所述负荷预测数据,对各需求侧资源进行调度。
具体地,建立集群需求侧资源灵活性供给模型,并参与区域电网的调峰辅助服务,得到各需求侧资源的调度结果。对调度机构下发的功率指令进行解聚合,得到各资源的调度结果。由此,对外逼近聚合模型的灵活性供给能力进行评价。需求侧资源聚合商代表各用户负荷提供灵活性供给,以应对净负荷随机波动产生的灵活性需求。
进一步地,步骤500包括:
步骤501:根据所述需求侧资源聚合商可行域,确定需求侧资源聚合商的向上灵活性供给及向下灵活性供给。考虑需求侧资源聚合商可行域的调节特性,集群需求侧资源的灵活性供给能力可由下式量化:
;
;
其中,为t时刻需求侧资源聚合商的向上灵活性供给,/>为t时刻需求侧资源聚合商的向上灵活性供给。
步骤502:根据所述及所述负荷预测数据,确定净负荷产生的向上灵活性需求及向下灵活性需求:
;
其中,为净负荷产生的向上灵活性需求,/>为净负荷产生的向下灵活性需求,/>为t时刻负荷的预测值,表示t时刻负荷预测值与光伏出力预测值的差值,/>为/>时刻净负荷波动的上限,/>为/>时刻净负荷波动的下限。
步骤503:根据需求侧资源聚合商的向上灵活性供给、需求侧资源聚合商的向下灵活性供给、净负荷产生的向上灵活性需求及净负荷产生的向下灵活性需求,确定电网的向上灵活性裕度及向下灵活性裕度。
定义电网的灵活性裕度为灵活性需求与灵活性供给的差值:
;
其中,为t时刻电网的向上灵活性裕度,/>为t时刻电网的向上灵活性裕度。
步骤504:根据所述电网的向上灵活性裕度及向下灵活性裕度,确定电网的向上灵活性缺额及向下灵活性缺额。当需求大于供给时则会出现灵活性缺额:
;
;
其中,为t时刻电网的向上灵活性缺额,/>为t时刻电网的向下灵活性缺额。
步骤505:以调度周期内电网的总灵活性缺额最小为目标,确定需求侧资源聚合商的调度方案,以对各需求侧资源进行调度。所述总灵活性缺额为向上灵活性缺额与向下灵活性缺额之和。
具体地,以电网各时段的总灵活性缺额F最小作为目标函数,得到需求侧资源聚合商的调度方案,由此,对外逼近聚合模型的灵活性供给能力进行评价。目标函数如下:
;
其中,T为调度周期。
当优化结果出现向上灵活性缺额或向下灵活性缺额时,即F大于0,则外逼近聚合模型的灵活性供给能力不足以应对电网的灵活性需求;当优化结果未出现向上灵活性缺额或向下灵活性缺额时,即F等于0,说明外逼近聚合模型的灵活性供给能力充足。调度人员可根据总灵活性缺额F的值评估聚合模型的灵活性供给能力,并进行需求侧资源的调整。
本发明充分考虑了需求侧资源聚合商内各居民用电设备的物理特性和人为习惯,采用半平面表征的凸多胞体量化储能单元的灵活性可行域。外逼近闵可夫斯基聚合方法通过求解线性规划寻找最优切平面的方式提高了外逼近精度,在保证聚合精度的同时显著降低了计算负担,聚合数量为100、时间尺度为24时,传统聚合方法计算时间近5小时,本发明方法计算时间控制在1分钟以内。聚合模型通过整合决策变量大幅降低了聚合商层面优化求解的维数,显著降低了计算时间。同时需求侧资源可行域的整合形式可以降低用户隐私暴露风险。本发明可以有效解决需求侧资源聚合商在调度层级大规模运算设备求解效率低下的难题。
实施例二
为了执行上述实施例一对应的方法,以实现相应的功能和技术效果,下面提供一种需求侧资源可行域聚合系统。
如图6所示,本实施例提供的需求侧资源可行域聚合系统包括:数据获取单元11、预测单元12、可行域确定单元13、聚合单元14及调度单元15。
其中,数据获取单元11用于获取历史居民用电行为数据、历史光伏出力、历史负荷数据及需求侧资源的物理特性数据。
预测单元12与所述数据获取单元11连接,预测单元12用于根据所述历史居民用电行为数据,所述历史光伏出力及所述历史负荷数据,采用自适应噪声完备集合经验模态分解方法和长短期记忆网络,对未来设定时段内的居民用电行为、光伏出力及负荷进行预测,得到居民用电行为预测数据、光伏出力预测数据及负荷预测数据。
可行域确定单元13与所述预测单元12连接,可行域确定单元13用于根据需求侧资源的物理特性数据及所述居民用电行为预测数据,建立虚拟电池模型,并采用半平面形式的凸多胞体表征所述虚拟电池模型,以得到各需求侧资源的灵活性可行域。
聚合单元14与所述可行域确定单元13连接,聚合单元14用于采用闵可夫斯基求和方法,对各需求侧资源的灵活性可行域进行聚合,得到需求侧资源聚合商可行域。
调度单元15分别与所述预测单元12及所述聚合单元14连接,调度单元15用于根据所述需求侧资源聚合商可行域、所述光伏出力预测数据及所述负荷预测数据,对各需求侧资源进行调度。
相对于现有技术,本实施例提供的需求侧资源可行域聚合系统与实施例一提供的需求侧资源可行域聚合方法的有益效果相同,在此不再赘述。
实施例三
本实施例提供一种电子设备,包括存储器及处理器,存储器用于存储计算机程序,处理器运行计算机程序以使电子设备执行实施例一的需求侧资源可行域聚合方法。
可选地,上述电子设备可以是服务器。
另外,本发明实施例还提供一种计算机可读存储介质,其存储有计算机程序,该计算机程序被处理器执行时实现实施例一的需求侧资源可行域聚合方法。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种需求侧资源可行域聚合方法,其特征在于,所述需求侧资源可行域聚合方法包括:
获取历史居民用电行为数据、历史光伏出力、历史负荷数据及需求侧资源的物理特性数据;
根据所述历史居民用电行为数据、所述历史光伏出力及所述历史负荷数据,采用自适应噪声完备集合经验模态分解方法和长短期记忆网络,对未来设定时段内的居民用电行为、光伏出力及负荷进行预测,得到居民用电行为预测数据、光伏出力预测数据及负荷预测数据;
根据需求侧资源的物理特性数据及所述居民用电行为预测数据,建立虚拟电池模型,并采用半平面形式的凸多胞体表征所述虚拟电池模型,以得到各需求侧资源的灵活性可行域;
采用闵可夫斯基求和方法,对各需求侧资源的灵活性可行域进行聚合,得到需求侧资源聚合商可行域;
根据所述需求侧资源聚合商可行域、所述光伏出力预测数据及所述负荷预测数据,对各需求侧资源进行调度。
2.根据权利要求1所述的需求侧资源可行域聚合方法,其特征在于,所述居民用电行为预测数据包括需求侧资源的入网时间、离网时间及期望离网时的能量;所述需求侧资源的物理特性数据包括:能量上限、能量下限、充电功率最大值、放电功率最大值、功率上限及功率下限。
3.根据权利要求2所述的需求侧资源可行域聚合方法,其特征在于,所述虚拟电池模型为:
;
;
;
;
;
;
;
其中,PVB,i(t)为t时刻第i个需求侧资源的功率,PVB,i(t+1)为t+1时刻第i个需求侧资源的功率,EVB,i(t)为t时刻第i个需求侧资源的能量,EVB,i(t+1)为t+1时刻第i个需求侧资源的能量,为t时刻第i个需求侧资源的功率上限,/>为t时刻第i个需求侧资源的功率下限,/>为t时刻第i个需求侧资源的能量上限,/>为t+1时刻第i个需求侧资源的能量上限,/>为t时刻第i个需求侧资源的能量下限,/>为t+1时刻第i个需求侧资源的能量下限,/>为第i个需求侧资源的能量耗散系数,/>为时间间隔,Ti,o为第i个需求侧资源的入网时间,Ti,d为第i个需求侧资源的离网时间,/>为第i个需求侧资源期望离网时的能量值,/>为第i个需求侧资源的充电功率最大值,/>为第i个需求侧资源的放电功率最大值,/>为第i个需求侧资源的容量上限,/>为第i个需求侧资源的容量下限。
4.根据权利要求1所述的需求侧资源可行域聚合方法,其特征在于,第i个需求侧资源的灵活性可行域为:
;
其中,为第i个需求侧资源的灵活性可行域,pi为第i个需求侧资源在调度周期内的功率,E为单位矩阵,/>为表征第i个需求侧资源可行域的不等式系数矩阵,由第i个需求侧资源的能量耗散系数决定,/>为表征第i个需求侧资源功率可行域的列向量,/>为表征第i个需求侧资源能量可行域的列向量,/>表示第i个需求侧资源的功率约束,/>表示第i个需求侧资源的能量约束。
5.根据权利要求1所述的需求侧资源可行域聚合方法,其特征在于,采用闵可夫斯基求和方法,对各需求侧资源的灵活性可行域进行聚合,得到需求侧资源聚合商可行域,具体包括:
采用闵可夫斯基求和方法,对各需求侧资源的灵活性可行域进行聚合,得到需求侧资源聚合后的可行域;
将需求侧资源聚合后的可行域转换为标准形式,得到需求侧资源聚合商可行域。
6.根据权利要求5所述的需求侧资源可行域聚合方法,其特征在于,采用以下公式,对各需求侧资源的灵活性可行域进行聚合:
;
其中,为N个需求侧资源聚合后的可行域,/>为第1个需求侧资源的灵活性可行域,为第N个需求侧资源的灵活性可行域,/>表示外逼近闵可夫斯基和。
7.根据权利要求5所述的需求侧资源可行域聚合方法,其特征在于,所述需求侧资源聚合商可行域为:
;
;
;
其中,PVB(t)为t时刻需求侧资源聚合商的功率,PVB(t+1)为t+1时刻需求侧资源聚合商的功率,EVB(t)为t时刻需求侧资源聚合商的能量,EVB(t+1)为t+1时刻需求侧资源聚合商的能量,为t时刻需求侧资源聚合商的功率上限,/>为t时刻需求侧资源聚合商的功率下限,/>为t时刻需求侧资源聚合商的能量上限,/>为t时刻需求侧资源聚合商的能量下限,/>为时间间隔。
8.根据权利要求1所述的需求侧资源可行域聚合方法,其特征在于,根据所述需求侧资源聚合商可行域、所述光伏出力预测数据及所述负荷预测数据,对各需求侧资源进行调度,具体包括:
根据所述需求侧资源聚合商可行域,确定需求侧资源聚合商的向上灵活性供给及向下灵活性供给;
根据所述光伏出力预测数据及所述负荷预测数据,确定净负荷产生的向上灵活性需求及向下灵活性需求;
根据需求侧资源聚合商的向上灵活性供给、需求侧资源聚合商的向下灵活性供给、净负荷产生的向上灵活性需求及净负荷产生的向下灵活性需求,确定电网的向上灵活性裕度及向下灵活性裕度;
根据所述电网的向上灵活性裕度及向下灵活性裕度,确定电网的向上灵活性缺额及向下灵活性缺额;
以调度周期内电网的总灵活性缺额最小为目标,确定需求侧资源聚合商的调度方案,以对各需求侧资源进行调度;所述总灵活性缺额为向上灵活性缺额与向下灵活性缺额之和。
9.一种需求侧资源可行域聚合系统,应用于权利要求1至8任一项所述的需求侧资源可行域聚合方法,其特征在于,所述需求侧资源可行域聚合系统包括:
数据获取单元,用于获取历史居民用电行为数据、历史光伏出力、历史负荷数据及需求侧资源的物理特性数据;
预测单元,与所述数据获取单元连接,用于根据所述历史居民用电行为数据,所述历史光伏出力及所述历史负荷数据,采用自适应噪声完备集合经验模态分解方法和长短期记忆网络,对未来设定时段内的居民用电行为、光伏出力及负荷进行预测,得到居民用电行为预测数据、光伏出力预测数据及负荷预测数据;
可行域确定单元,与所述预测单元连接,用于根据需求侧资源的物理特性数据及所述居民用电行为预测数据,建立虚拟电池模型,并采用半平面形式的凸多胞体表征所述虚拟电池模型,以得到各需求侧资源的灵活性可行域;
聚合单元,与所述可行域确定单元连接,用于采用闵可夫斯基求和方法,对各需求侧资源的灵活性可行域进行聚合,得到需求侧资源聚合商可行域;
调度单元,分别与所述预测单元及所述聚合单元连接,用于根据所述需求侧资源聚合商可行域、所述光伏出力预测数据及所述负荷预测数据,对各需求侧资源进行调度。
10.一种电子设备,其特征在于,包括存储器及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述电子设备执行权利要求1至8中任一项所述的需求侧资源可行域聚合方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310868286.4A CN116611669B (zh) | 2023-07-17 | 2023-07-17 | 一种需求侧资源可行域聚合方法、系统及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310868286.4A CN116611669B (zh) | 2023-07-17 | 2023-07-17 | 一种需求侧资源可行域聚合方法、系统及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116611669A CN116611669A (zh) | 2023-08-18 |
CN116611669B true CN116611669B (zh) | 2023-09-19 |
Family
ID=87676734
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310868286.4A Active CN116611669B (zh) | 2023-07-17 | 2023-07-17 | 一种需求侧资源可行域聚合方法、系统及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116611669B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110659442A (zh) * | 2019-09-23 | 2020-01-07 | 珠海格力电器股份有限公司 | 系统及其数据短期预测方法和装置、存储介质 |
CN112883566A (zh) * | 2021-02-02 | 2021-06-01 | 华北电力大学 | 一种基于虚拟电池模型的光伏产消者能量建模方法及系统 |
CN114398723A (zh) * | 2021-12-30 | 2022-04-26 | 国网江苏省电力有限公司苏州供电分公司 | 基于闵可夫斯基和的规模化电动汽车集群特性分析方法及系统 |
CN115169786A (zh) * | 2022-05-17 | 2022-10-11 | 东南大学 | 一种电力市场需求侧资源聚合模型调度方法及设备 |
CN115271454A (zh) * | 2022-07-29 | 2022-11-01 | 清华大学 | 灵活资源聚合可行域精确建模与近似方法、装置及设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114021320B (zh) * | 2021-10-27 | 2023-04-18 | 清华大学 | 群体电动汽车灵活性计算方法、装置、电子设备和存储介质 |
-
2023
- 2023-07-17 CN CN202310868286.4A patent/CN116611669B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110659442A (zh) * | 2019-09-23 | 2020-01-07 | 珠海格力电器股份有限公司 | 系统及其数据短期预测方法和装置、存储介质 |
CN112883566A (zh) * | 2021-02-02 | 2021-06-01 | 华北电力大学 | 一种基于虚拟电池模型的光伏产消者能量建模方法及系统 |
CN114398723A (zh) * | 2021-12-30 | 2022-04-26 | 国网江苏省电力有限公司苏州供电分公司 | 基于闵可夫斯基和的规模化电动汽车集群特性分析方法及系统 |
CN115169786A (zh) * | 2022-05-17 | 2022-10-11 | 东南大学 | 一种电力市场需求侧资源聚合模型调度方法及设备 |
CN115271454A (zh) * | 2022-07-29 | 2022-11-01 | 清华大学 | 灵活资源聚合可行域精确建模与近似方法、装置及设备 |
Non-Patent Citations (1)
Title |
---|
考虑灵活性收益的需求侧资源可行域聚合方法;周海浪 等;中国电力;第55卷(第9期);56-63, 155 * |
Also Published As
Publication number | Publication date |
---|---|
CN116611669A (zh) | 2023-08-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Adaptive control for energy storage systems in households with photovoltaic modules | |
EP3471029A1 (en) | Method for automatic cloud control of energy storage systems | |
CN107017625A (zh) | 用于独立微电网的能量动态调度的方法和设备 | |
CN115313519A (zh) | 一种配电网储能优化配置方法、装置、设备及存储介质 | |
CN116231689A (zh) | 一种电能量分类预储及动态调整的微电网集群协同策略 | |
CN115423153A (zh) | 基于概率预测的光伏储能系统能量管理方法 | |
CN117353359B (zh) | 电池联合储能供电方法及系统 | |
CN116611669B (zh) | 一种需求侧资源可行域聚合方法、系统及电子设备 | |
CN112330044A (zh) | 一种基于迭代聚集网格搜索算法的支持向量回归模型 | |
CN116739292A (zh) | 数据中心的能量优化调度方法、系统和存储介质 | |
CN113779861B (zh) | 光伏功率的预测方法及终端设备 | |
CN115764855A (zh) | 一种电动汽车快充站实时可调节能力及可用电量预测方法 | |
Yu et al. | Dynamic grouping control of electric vehicles based on improved k-means algorithm for wind power fluctuations suppression | |
CN111626494A (zh) | 电力负荷预测方法、装置、计算机设备和存储介质 | |
Dhifaoui et al. | MOALO Algorithm applied to Dynamic Economic Environmental Dispatch including renewable energy | |
Jendoubi et al. | Hybrid storage system control for real-time power bal-ancing in a hybrid renewable energy system | |
CN112531699B (zh) | 一种微电网自治能管系统能量调度方法和系统 | |
Sachs et al. | Combined probabilistic and set-based uncertainties for a stochastic model predictive control of island energy systems | |
CN117634931B (zh) | 一种考虑充电行为的电动汽车调节能力预测方法及系统 | |
Seethalakshmi et al. | Prediction of energy demand in smart grid using deep neural networks with optimizer ensembles | |
CN116914861B (zh) | 基于模型预测控制的风储电站经济优化调度方法及系统 | |
CN117791613B (zh) | 一种基于资源集群调控的决策方法及系统 | |
Horichenko et al. | Research and Software Implementation of Intelligent Method of Energy Consumption Control. | |
Nguyen et al. | Q-Learning Algorithm And CMAC Approximation Based Robust Optimal Control For Renewable Energy Management Systems | |
CN117728414A (zh) | 适配于功率溢出型电源的配电网优化和评估方法和系统 |
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 |