CN116663865B - 考虑源荷不确定性的综合能源系统日前调度方法及系统 - Google Patents
考虑源荷不确定性的综合能源系统日前调度方法及系统 Download PDFInfo
- Publication number
- CN116663865B CN116663865B CN202310942613.6A CN202310942613A CN116663865B CN 116663865 B CN116663865 B CN 116663865B CN 202310942613 A CN202310942613 A CN 202310942613A CN 116663865 B CN116663865 B CN 116663865B
- Authority
- CN
- China
- Prior art keywords
- data
- prediction
- sequence
- energy system
- source load
- 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 106
- 230000008569 process Effects 0.000 claims description 38
- 238000000354 decomposition reaction Methods 0.000 claims description 35
- 238000005457 optimization Methods 0.000 claims description 31
- 238000012549 training Methods 0.000 claims description 26
- 230000015654 memory Effects 0.000 claims description 22
- 238000013528 artificial neural network Methods 0.000 claims description 19
- 238000007781 pre-processing Methods 0.000 claims description 14
- 238000005096 rolling process Methods 0.000 claims description 8
- 230000002068 genetic effect Effects 0.000 claims description 4
- 238000011478 gradient descent method Methods 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 2
- 229910052799 carbon Inorganic materials 0.000 claims description 2
- 230000006870 function Effects 0.000 description 18
- 230000005611 electricity Effects 0.000 description 11
- 238000009826 distribution Methods 0.000 description 7
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000010248 power generation Methods 0.000 description 5
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 229910002092 carbon dioxide Inorganic materials 0.000 description 3
- 239000001569 carbon dioxide Substances 0.000 description 3
- 238000002485 combustion reaction Methods 0.000 description 3
- 238000005315 distribution function Methods 0.000 description 3
- 239000007789 gas Substances 0.000 description 3
- 238000003064 k means clustering Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000003345 natural gas Substances 0.000 description 2
- 208000000044 Amnesia Diseases 0.000 description 1
- 208000031091 Amnestic disease Diseases 0.000 description 1
- 241000287196 Asthenes Species 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000006986 amnesia Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013398 bayesian method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000020169 heat generation Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000005057 refrigeration Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000013589 supplement Substances 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
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—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
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Development Economics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Primary Health Care (AREA)
- Educational Administration (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及综合能源系统预测调度技术领域,提出了考虑源荷不确定性的综合能源系统日前调度方法及系统,为了解决现有技术中由于源荷数据不确定性造成的预测数据不准确问题,首先通过提取原始序列中所蕴含的频率特性,提高了后续点预测对分解序列的预测精度,然后通过点预测结果的残差进行概率预测,能够捕捉前述数据预处理过程中分解方法未捕捉到的源荷原始数据的不确定性,并对该不确定性进行量化,在较优的点预测序列上叠加反映不确定性的概率预测区间,从而得到混合概率预测的区间结果,通过两阶段混合概率预测提高了预测性能,提高预测的准确性,从而在通过预测数据生成的典型场景求解后得到准确的设备出力结果,提高调度的准确性。
Description
技术领域
本发明涉及综合能源系统预测及调度相关技术领域,具体地说,是涉及考虑源荷不确定性的综合能源系统日前调度方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,并不必然构成在先技术。
综合能源系统集成可再生能源发电技术,采用能量梯级利用原理,由于其高效、低污染的特性,为未来能源发展指明了新的方向。然而,由于可再生能源发电固有的随机性及波动性的特点,且用户负荷的变化使得综合能源系统难以直接满足供需平衡,因此综合能源系统运行的稳定性受到影响。供需不平衡导致的负荷差额使得难以满足用户用能需求,导致系统供能质量下降;供需不平衡导致的系统产能过剩使得用户难以消纳多余能源,导致产能过剩。因此,源荷数据不确定性影响导致的供需不平衡影响了系统的经济性及环保性优势。
发明人在研究中发现,目前的调度方法中,仅对综合能源系统的原始数据进行点预测,源荷预测模型预测过程中不涉及源荷数据不确定性的影响,导致预测数据不准确,影响综合能源系统的调度,并不能实现合理的优化调度。
发明内容
本发明为了解决上述问题,提出了一种考虑源荷不确定性的综合能源系统日前调度方法及系统,从准确的源荷预测模型及合理的优化调度方法出发,以提高日前调度优化结果,进而保证综合能源系统供能的可靠性,提高用户的用能质量。
为了实现上述目的,本发明采用如下技术方案:
一个或多个实施例提供了考虑源荷不确定性的综合能源系统日前调度方法,包括如下步骤:
获取综合能源系统运行的源荷多维数据,分别预处理后分解为带有频率特征的序列数据;
对分解后的每个序列数据分别进行点预测,按照每一维度数据叠加后得到对应维度数据的预测值;
根据预测值计算残差,对残差进行概率预测,得到每一维度数据预测值的残差概率预测区间;
将每一维度数据的预测值及对应的残差概率预测区间融合后生成多维场景,将多维场景进行聚类得到源荷多维典型场景及其发生的概率;
将源荷多维典型场景数据输入综合能源系统,求解得到综合能源系统的设备出力,作为综合能源系统日前调度优化结果。
一个或多个实施例提供了考虑源荷不确定性的综合能源系统日前调度系统,包括:
预处理及分解模块:被配置为用于获取综合能源系统运行的源荷多维数据,分别预处理后分解为带有频率特征的序列数据;
点预测模块:被配置为用于对分解后的每个序列数据分别进行点预测,按照每一维度数据叠加后得到对应维度数据的预测值;
残差概率预测模块:被配置为用于根据预测值计算残差,对残差进行概率预测,得到每一维度数据预测值的残差概率预测区间;
场景生成模块:被配置为用于将每一维度数据的预测值及对应的残差概率预测区间融合后生成多维场景,将多维场景进行聚类得到源荷多维典型场景及其发生的概率;
优化求解模块:被配置为用于将源荷多维典型场景数据输入综合能源系统,求解得到综合能源系统的设备出力,作为综合能源系统日前调度优化结果。
一种电子设备,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成上述的考虑源荷不确定性的综合能源系统日前调度方法所述的步骤。
一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成上述的考虑源荷不确定性的综合能源系统日前调度方法所述的步骤。
与现有技术相比,本发明的有益效果为:
本发明中,通过提取原始序列中所蕴含的频率特性,能够提高后续点预测对分解序列的预测精度,通过点预测结果的残差进行概率预测,能够捕捉前述数据预处理过程中分解方法未捕捉到的源荷原始数据的不确定性,并进行量化,在较优的点预测序列上叠加反映不确定性的概率预测区间,从而得到混合概率预测的区间结果,通过两阶段混合概率提高了预测性能,提高预测的准确性,从而在通过预测数据生成的典型场景求解后得到准确的设备出力结果,提高调度的准确性。
本发明的优点以及附加方面的优点将在下面的具体实施例中进行详细说明。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的限定。
图1是本发明实施例1的日前调度整体流程示意图;
图2是本发明实施例1的日前调度方法流程图;
图3是本发明实施例1的LSTM模型结构图;
图4是本发明实施例1调度方法与现有单独采用GPQR的夏季电负荷预测的对比结果图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出,以下详细说明都是示例性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。需要说明的是,在不冲突的情况下,本发明中的各个实施例及实施例中的特征可以相互组合。下面将结合附图对实施例进行详细描述。
实施例1
在一个或多个实施方式公开的技术方案中,如图1至图4所示,一种考虑源荷不确定性的综合能源系统日前调度方法,包括如下步骤:
步骤1、分解:获取综合能源系统运行的源荷多维数据,分别预处理后分解为带有频率特征的序列数据;
其中,每个分解后的序列数据包括多个不同频率特征的本征模态分量序列(IMF序列)以及一个剩余序列(Res序列)。
步骤2、点预测:对分解后的每个序列数据分别进行点预测,按照每一维度数据叠加后得到对应维度数据的预测值;
步骤3、基于残差进行概率预测:根据预测值计算残差,对残差进行概率预测,得到每一维度数据预测值的残差概率预测区间;
具体的,将预测值与真实数据作差得到残差序列,对残差序列进行概率预测,得到每一维度数据预测值的残差概率预测区间;
步骤4、场景生成:将每一维度数据的预测值及对应的残差概率预测区间融合后生成多维场景,将多维场景进行聚类得到源荷多维典型场景及其发生的概率;
步骤5、典型场景随机优化:将源荷多维典型场景数据输入综合能源系统,采用随机优化方法求解,得到综合能源系统的设备出力,作为综合能源系统日前调度优化结果。
本实施例中,首先通过提取原始序列中所蕴含的频率特性,能够提高后续点预测对分解序列的预测精度,然后通过点预测结果的残差进行概率预测,能够捕捉前述数据预处理过程中分解方法未捕捉到的源荷原始数据的不确定性,并进行量化,在较优的点预测序列上叠加反映不确定性的概率预测区间,从而得到混合概率预测的区间结果,通过两阶段混合概率提高了预测性能,提高预测的准确性。
为实现综合能源系统的日前调度,对综合能源系统的运行状态以及用能进行预测,其中,待处理的源荷多维数据为预测日前数据,包括环境数据以及负荷数据。
可选的,环境数据包括风速、光照强度、温度等;负荷数据可以包括冷负荷、热负荷、电负荷、燃气需求量等;每一种数据为一维数据,本实施例的数据维度是根据数据种类划分;多维数据的类型仅是列举,可以根据综合能源系统的设备类型、供能形态选择相应的数据。
如图1所示,对每一维度的数据可以并行处理的,提高了数据处理效率。
步骤1中,预处理步骤包括依次执行数据填补、基于拉伊达准则剔除误差数据以及时间序列分解。
本实施例的预处理方法填补了原始数据集中的缺失部分并消除了粗大误差。
本实施例中,利用CEEMDAN方法对原始数列进行分解,以提取原始序列中所蕴含的频率特性,增加后续点预测模型对分解序列的预测精度,使后续点预测过程仅需捕捉频率序列的特性,提高了模型的泛化能力。
CEEMDAN(Complete Ensemble Empirical Mode Decomposition with AdaptiveNoise)的中文名称是自适应噪声完备集合经验模态分解,该方法是从经验模态分解(Empirical Mode Decomposition, EMD)的基础上加以改进,同时借用了集合经验模态分解(Ensemble Empirical Mode Decomposition, EEMD)方法中加入高斯噪声和通过多次叠加并平均以抵消噪声。
对预处理后的多维数据,采用CEEMDAN分解方法,包括如下步骤:
假设经过EMD分解后得到的第个本征模态分量为/>,CEEMDAN分解得到的第/>个本征模态分量为/>,/>为满足标准正态分布的高斯白噪声信号,/>为加入白噪声的次数,/>为高斯白噪声序列,/>为待分解信号。
步骤11、将高斯白噪声加入到待分解信号得到第一新信号,对第一新信号进行EMD分解得到第一阶本征模态分量;
待分解信号加入高斯白噪声,如下:
其中,。
对加入噪声后的新信号进行EMD分解得到第一阶本征模态分量,包含多个模态分量:
(1)
其中,为EMD分解对应得到的残差序列。
步骤12、对产生的N个模态分量求总体平均值,得到CEEMDAN分解的第1个本征模态分量,即为IMF1序列,即为频率最高的分解序列,如下:
(2)
步骤13、将待分解信号减去第一个本征模态分量,得到去除第一个模态分量后的第一残差信号/>;
(3)
步骤14、在去除第一个本征模态分量后的剩余信号(即第一残差信号)中加入正负成对高斯白噪声得到第二新信号,以第二新信号为载体进行EMD分解得到第一阶模态分量/>,由此可以得到CEEMDAN分解的第2个本征模态分量,即为IMF2序列,频率小于IMF1序列的频率,如下:
(4)
步骤15、计算得到去除第二个模态分量后的第二残差信号;
(5)
重复上述步骤,对得到的残差信号加噪、分解、分解后求平均值,再计算得到残差信号,直到获得的残差信号为单调函数,不能继续分解,算法结束。
分解后的信号为多个本征模态分量和加上最后的剩余信号Res序列/>。如得到的本征模态分量数量为K,则原始信号/>被分解为如公式(6)所示:
(6)
CEEMDAN分解将原始时间序列分解为多个带有不同频率特征的IMF序列以及一个Res序列,上述分解过程本质上为特征提取的过程。具有典型特征的序列分解结果,有利于后续预测过程中捕捉序列中的规律性,提高点预测的预测性能。
进一步的技术方案,对于分解后得到的具有不同频率的序列,采用零均值归一化的方法进行归一化,从而消除奇异样本数据导致的不良影响。
点预测是预测某个变量的数值,用某个变量的已知值来预测变量未来时刻的数值,本实施例中,点预测即为通过历史源荷多维数据预测未来时段源荷多维数据的数值。如通过用电负荷历史数据预测未来一小时的电负荷数值。
如图1所示,步骤2中,针对每一维度数据A,对分解后的每个序列数据分别进行点预测,叠加后得到未来时刻的该维度数据A的预测值,即为目标域数据。
可选的,采用长短期记忆网络(Long Short Term Memory, LSTM)进行点预测,得到点预测结果的方法,包括如下步骤:
步骤21、针对多维数据每一维度数据的每个分解序列对应设置一个LSTM神经网络;
如图1所示,以风速数据为例,分解后得到的不同频率的数据序列以及最后剩余的Res序列,每一个序列分别设置一个LSTM神经网络。
步骤22、按照设定的滑动窗口划分获取的综合能源多维数据的历史数据,作为训练数据,经过预处理以及分解,按照对应的数据序列分别传输至各LSTM神经网络,基于梯度下降法更新网络模型的参数,得到训练后的多个LSTM模型。
具体的,该步骤为LSTM神经网络训练部分,将数据预处理分解得到的频率特征序列训练集部分分别输入不同的LSTM网络,以使深度神经网络捕捉序列的规律性,训练过程中设定滑动窗口的宽度为24,即以24个点预测下一个点,利用预测值与真实值计算损失函数,并基于梯度下降法更新模型的参数,实现模型的训练过程;
步骤23、获取预测点前与滑动窗口同宽度的源荷多维数据,对源荷多维数据的分解得到的频率序列,分别输入训练好的对应LSTM模型,得到序列的预测结果。
其中,预测点即为待预测的预测时间点或者时段。
具体的,当设置滑动窗口为24小时,实现LSTM神经网络的预测部分,将训练集末端24小时数据输入训练完成的LSTM模型,以得到未来一小时的预测结果。如预测点可以是今天8点至9点,可以选取8点前24小时内的数据作为输入序列。
步骤24、分别将源荷多维数据同维度数据对应频率的预测结果叠加即可得到源荷数据的预测结果,即目标域结果。
步骤25、循环执行上述步骤23至步骤24按照设定的步数向后滑动更新输入序列,得到下一个预测点的预测结果。重复上述过程得到所有的预测结果。
可选的,设定的步数可以为1小时,当滑动窗口设定为24小时,通过之前24小时的数据预测未来1小时的预测值。
LSTM神经网络结构,如图3所示,包括:输入门、输出门、遗忘门以及记忆单元,每一部分都可以对输入信息进行编码。
输入门:决定了当前时刻网络的输入有多少保存到单元状态输出门,控制记忆单元更新中有多少,取决于当前记忆单元;
输出门:控制单元状态有多少输出到LSTM的当前输出值,控制当前记忆单元的输出有多少,取决于当前记忆单元;
遗忘门:决定了上一时刻的单元状态有多少保留到当前时刻输入门,更新中的信息遗忘有多少取决于前一记忆单元;
记忆单元:记忆单元是LSTM的关键,由于存在一些微小的线性相互作用并沿着整个链向下,所以信息较容易以不变的方式流动。
LSTM神经网络的工作过程如下所示:
(1)通过遗忘门的σ层决定记忆单元中的遗忘信息;
具体的,图3中的图示位置最左侧的方框层为遗忘门的sigmod神经网络层,神经网络参数为/>,接收当前时刻t的输入信号/>和t-1时刻LSTM的上一个输出信号/>,两个信号进行拼接以后共同输入到sigmod神经网络层中,输出信号/>是个0到1之间的数值,与/>相乘来决定/>中的哪些信息将被保留,哪些信息将被舍弃。其中,1表示完全保留,0表示完全删去。
(2)决定记忆单元即为记忆门可以存储信息,包括两个部分:输入门和tanh神经网络。
输入门,层为sigmod神经网络层,网络参数为/>,接收/>和/>作为输入,然后输出一个0到1之间的数值/>来决定哪些信息需要被更新。
tanh神经网络,激活函数为tanh激活函数,网络参数为,该网络创建一个新的/>。
(3)分别将与/>相乘、/>与/>相乘,将这两部分相加后更新状态/>;
(4)输出门:通过运行一个层,/>层为sigmod神经网络层,网络参数为/>,和/>作为输入,然后输出一个0到1之间的数值/>;/>通过tanh函数得到一个-1到1之间的数值,与/>相乘,得到输出值/>。
前述数据处理过程中分解方法未捕捉到的原始数据的特性,即数据的不确定性,且由于残差部分不具有易于捕捉到的规律特征,因此将残差序列进行点预测的效果较差,本实施例中将残差序列输入GPQR模型,训练模型以捕捉序列在时间域上的自相关特性,以此生成概率预测区间,通过预测区间体现残差序列数据的不确定性。
GPQR模型即为高斯过程分位数回归模型,Gaussian Process QuantileRegression,简称为GPQR。
点预测目标域结果与对应时刻源域真实值作差,得到点预测结果的残差部分。将残差序列输入GPQR模型进行训练得到残差概率预测结果。如图1所示,残差概率预测针对每一维度数据设置一个GPQR模型。
进一步的技术方案,针对每一维度数据预测值的残差概率预测采用滚动训练及预测的过程,包括如下步骤:
点预测目标域结果与对应时刻源域真实值作差,得到点预测结果的残差序列;
步骤31、选取上一时段的残差序列A1,作为GPQR模型的输入,当前时段的残差序列A2为输出对GPQR模型进行训练,得到序列的自相关性;
步骤32、以当前时段的残差序列A2为输入序列,输入至训练后的GPQR模型预测下一时段A3的预测结果,选择设定范围内的分位数结果即为残差的概率预测结果。
本实施例中,选择其中所生成的对称的5%至95%范围内的分位数结果即为残差的概率预测结果,由于GPQR模型仅对残差部分进行概率预测,本实施例可选择范围最大的概率预测区间结果,提高预测区间的预测的准确性。
进一步地,后续滑动过程中选择预测结果序列最后时刻的中位数补充至输入序列数据;假设预测过程的输入为1至t的数值,通过t个输入得到t+1时刻的预测结果,后续继续预测的过程中,则需要输入2至t+1的数值以获得t+2时刻的预测结果,因此可以将t+1的中位数(50%分位数)预测结果补充生成新的输入序列,进行下一轮的预测。
循环执行步骤31至步骤32进行滚动预测,基于时间最邻近的数据先训练,再进行预测,提高了概率预测的准确度。
残差概率预测采用滚动训练及预测的过程的时段时长可以自行设置,同时进行滚动的窗口大小可以设定。一个具体的示例,以时段时长为96小时,滚动窗口为1小时为例,滚动训练集预测的过程如下:
(1)选取残差序列中[t,t+96]的数据作为训练集输入,向后滚动一小时选择[t+1,t+97]的数据作为训练集输出,以此训练GPQR模型,得到序列的自相关特性;
(2)为保持预测的连贯性,充分利用已训练完成的模型信息,将[t+1,t+97]作为预测的输入序列,以此预测得到[t+2,t+98]小时的预测结果,选择其中t+98时刻所生成的95%/5%的分位数结果即为残差的概率预测结果,后续滑动过程中选择预测结果序列最后时刻的中位数补充输入数据;
其中,95%/5%的分位数结果即为表示两个边界能包含5%至95%范围内所有分位数回归的结果。
(3)重复步骤(1)和(2),进而得到残差的概率预测结果。
最终将残差的概率预测结果叠加到对应时刻的点预测结果上,即可得到最终的混合概率预测结果。
GPQR模型的实现原理如下所示:
为实现概率预测,首先引入分位数回归的方法。考虑一个概率空间上的随机变量/>,/>为样本空间,/>为事件集合,/>为概率测度,/>为实数集。
对于,它的τ-分位数/>定义为实数范围内使式子取得最大下界的x取值,公式为:
(7)
其中,表示对于任意的/>,/>的概率,arg inf表示在实数范围内使式子取得最大下界的x取值;:=表示赋值的意思,即将等号右边的计算结果赋值给左边。
若设X的概率分布函数为,则可定义为:
对于高维随机变量,记/>,,设/>对于/>的条件分布函数为/>,则有如下公式:
(8)
称公式(8)为对/>的τ-条件分位数。
进一步的技术方案,本实施例中为预测问题,对于预测问题,为了构造合理的预测模型使预测结果最大程度逼近真实值,则对应预测问题可转化为损失函数最小化问题。在分位数回归过程中假定输出是真实值/>的τ-分位数,则损失函数可以写作如下所示:
(9)
其中,为指示函数。容易证明,/>的τ-分位数是使得损失函数的期望最小的,因此上述问题转化为求/>的极值点而得到的/>-分位数的估计,E表示数学期望。τ-分位数可以写作τ-分位数,当τ设定值为95%/5%时,即为前面选择的95%/5%分位数,-表示连接符;/>为分位数回归的预测结果。
由于原始值的分布未知,采用样本均值替代随机变量的期望,对于n个已知样本输入/>和输出/>,上述问题可转化为下述公式表示:
(10)
并求得解函数,使/>成为/>的最优估计。
假定样本的预测误差为满足式(11)的非对称拉普拉斯分布的随机变量:
(11)
其中,为/>的密度函数,参数/>是偏态分布函数,即回归问题中所选的参数,/>称为尺度参数,/>为位置参数。本实施例中所有的τ都表示分位数。exp以自然常数e为底的指数函数。
如果服从非对称拉普拉斯分布,则/>同样服从非对称拉普拉斯分布,且/>的/>-分位数是位置参数/>,即预测值/>。
根据极大似然估计的原理,对于n个已知输出,所构造的极大似然函数为:
(12)
其中,Z为归一化常数,exp以自然常数e为底的指数函数。
对比式(10)与式(12)可知,损失函数的最小化可以等同于组合独立同分布的分对称拉普拉斯密度形成的似然函数的最大化问题。
假定所求参数有先验密度函数/>,在获得样本/>的情况下,称/>对/>的条件密度函数/>为后验密度,则有如下关系:
(13)
其中是/>对/>的条件密度函数。所估计得到的参数值就是使后验密度取最大值的/>,这一估计方法称为最大后验估计。具体到此问题的分位数预测,需要估计的参数为/>,假定/>服从参数为/>的高斯过程(Gaussian Progress, GP)先验分布,即:
(14)
其中,是正定二次型函数/>的矩阵,/>是高斯过程的协方差函数,用于计算两个变量/>与/>之间的相关程度,对于本实施例中选定平方指数协方差函数,平方指数协方差函数的形式如下:
(15)
其中,和/>为高斯核超参数,需要使用贝叶斯方法估计其后验分布。
综上所述,利用非对称拉普拉斯分布及最大后验估计,预测问题最终被转化为:
对于给定的,/>,/>,寻找如下参数:
(16)
其中,/>如式(12)和式(14)所示;/>的τ-分位数/>如下式所示:
(17)
的期望值即为/>的τ-分位数的估计值。
本实施例的预测过程,即步骤2和步骤3中,提出了基于LSTM-GPQR的两阶段混合概率预测:
首先数据预处理部分将原始序列分解为具有典型频率特征的序列,使得LSTM模型在训练过程中易于捕捉序列的特征规律,同时将不同频率序列分别输入不同的LSTM预测得到预测结果再叠加,能够在预测结果中体现原始数据的典型特征,因此预测效果较好,会生成较好的预测结果。
其次,由于点预测结果不能完全匹配真实数据,因此将预测结果视作目标域,真实值视作源域,将源域序列与目标域系列逐时作差,以得到预测残差同时作为该序列作为概率预测模型的基础。预测残差部分表示了前述数据预处理过程中分解方法未捕捉到的原始数据的特性,即数据的不确定性,且由于残差部分不具有易于捕捉到的规律特征,因此将残差序列进行点预测的效果较差,进而考虑一种概率预测方法。将残差序列输入GPQR模型,训练模型以捕捉序列在时间域上的自相关特性,以此生成概率预测区间,通过预测区间体现残差序列的不确定性。
本实施例在较优的点预测序列上叠加反映不确定性的概率预测区间,从而得到混合概率预测的区间结果,上述两阶段混合概率预测模型具有良好的预测性能,使得上述混合概率预测过程在多维数据中都表现出良好的预测性能。
步骤4中,实现多维场景随机生成,在概率预测结果的基础上,在残差概率预测区间范围内随机取值,随机生成多组随机场景。
预测区间整体的上下边界范围较小,过多的场景一方面会为后续优化带来较大的负担,另一方面无法反映未来的典型发生场景,进一步地,采用K-means聚类算法得到典型场景。
基于K-means聚类的典型场景生成方法可以作为“桥梁”,即利用了概率预测场景结果又为随机优化提供了数据基础。场景生成方法的创新点在于通常概率预测区间结果难以直接利用,本发明利用了聚类算法的特性,将随机场景聚类缩减为典型场景。
具体的,在典型日多维概率预测区间的基础上,利用随机数生成的方法随机产生1000组随机场景,并利用K-means算法进行聚类得到源荷多维场景典型日预测结果。K-means聚类算法的实现过程如下所示:
1.从样本中随机选择K个点作为初始质心;
2.计算每个样本到各个质心的距离,将样本划分到距离最近的质心所对应的簇中;
3.计算每个簇内所有样本的均值,并使用该均值更新簇的质心;
4.重复步骤2与3,直到达到最大迭代次数或质心的位置变化小于指定的阈值为止。
基于上述方法是对每一维度数据进行处理的过程,将源荷数据多维场景随机组合,可以得到综合能源系统运行的各典型场景及典型场景对应概率结果。
具体的,典型场景的概率结果,为该典型场景中将所有聚类中心所属的簇中的样本数量除以总的样本数量,作为该场景的概率结果。
在典型场景的数据基础上,步骤5中,求解综合能源系统的设备出力,基于随机优化的方法,具体采用带精英策略的非支配排序遗传算法,以综合能源系统能量平衡关系以及设备容量范围为约束,按照不同典型场景下综合能源系统关键设备的运行情况及对应的发生概率,以综合能源系统的年均成本最低及年碳排放量最少为目标,最终生成综合能源系统典型场景随机优化结果。
典型场景随机优化下综合能源系统的年均成本计算公式如下:
(18)
其中,为综合能源供能系统的年均成本;/>为综合能源系统关键组成设备的年均购置成本;/>为系统关键设备的年均运行成本;/>为系统的年运维成本。
其中,年均购置成本的计算方式如下:
(19)
其中,表示综合能源系统中第i个设备的单位购置成本;/>表示综合能源系统中设备i的额定容量;/>表示设备的使用年限;/>为设备的贴现率,本实施例中取值为0.1。
综合能源系统的运行成本包括购电以及燃气的购置成本,具体计算过程如下:
其中,为t时刻的购/售电价格;/>为t时刻的天然气价格。
当综合能源系统在运行过程中,设备运行出力会产生一定量的损耗,将这部分损耗视为设备的运维成本,设备的运维成本与设备的额定容量以及运行时间有关,因此综合能源系统的运维成本计算过程如下:
(20)
其中,为设备i的单位容量运维成本。
随机优化过程中综合能源系统的年均二氧化碳排放量如下式所示:
(21)
其中,为综合能源系统的年二氧化碳排放量;/>和/>分别表示天然气与大电网在供能过程中的二氧化碳排放系数。
可选的,系统冷热电能量平衡关系以及设备容量范围约束,t时刻电负荷的平衡如下:
(22)
其中,为t时刻内燃发电机组的发电量;/>为t时刻可再生能源发电设备的发电量;/>为t时刻系统与电网交互的电量,正值表示从电网购电,负值表示向电网售电;/>表示储能设备的储/释电量,正值表示释能,负值表示储能;为用户的电负荷需求;/>为系统内其他设备的电负荷需求。
t时刻综合能源系统的热负荷平衡可表示为:
(23)
其中,为内燃发电机组产生的余热量;/>为辅热锅炉补充的热量;为用户的热负荷需求;/>为系统内其它设备的热量需求。
t时刻综合能源系统冷负荷平衡可表示为:
(24)
其中,为电制冷设备的制冷量;/>为吸收式制冷设备的制冷量;为用户的冷负荷需求。
综合能源系统的设备逐时出力需满足设备的容量范围约束,设备的容量范围约束如下:
(25)
(26)
(27)/>
(28)
(29)
(30)
(31)
其中,为内燃发电机组的发电量上限;/>为可再生能源发电设备的容量上限;/>为向电网售电的售电上限,/>为从电网购电的购电上限;/>为向蓄电池充电的上限,/>为蓄电池释能的上限;/>为燃气锅炉的产热上限;/>为电制冷机的制冷量上限;/>为吸收式制冷机的制冷量上限。
可选的,随机优化可以采用NSGA-Ⅱ算法进行优化,得到典型场景下的系统关键设备出力结果。具体的,随机优化的步骤如下:
步骤1、将所生成的多维典型场景采用NSGA-Ⅱ算法进行优化,得到综合能源系统关键设备的设备出力;
步骤2、将所生成的所有场景分别输入NSGA-Ⅱ算法,重复步骤1得到所有多维典型场景下的设备出力结果;
步骤3、将所得到的关键设备的出力结果与对应场景的发生概率进行相乘,重复该步骤后将所有的结果叠加最终得到综合能源系统随机优化结果。
NSGA-Ⅱ为带精英策略的非支配排序遗传算法( Elitist Non- DominatedSorting Genetic Algorithm, NSGA-Ⅱ)。
基于随机优化的原理,将典型场景出力结果对应乘以其概率,如下式所示,得到综合能源系统典型日随机优化结果,即综合能源系统日前调度优化结果,综合能源系统的出力结果序列如下:
其中,dev output为系统关键设备最终出力结果序列;prob t (s)为设备在第t个时间点、第s个场景下设备出力的概率;dev t (s)为设备在第t个时间点、第s个场景下设备的出力结果。
本实施例通过随机优化方法反映了源荷数据不确定性对综合能源系统的影响,并给出了考虑不确定性的综合能源系统调度优化结果,调度优化结果为综合能源系统提供了良好地运行指导,提高了系统应对源荷不确定性的能力。
本实施例提出了一种混合概率预测及随机优化的一体化设计方法,为解决源荷数据不确定性的特点,提出了混合概率预测以将数据不确定性的特性进行量化,同时数据预处理部分将典型的数据特征分解为频率特征,使预测模型更好捕捉数据的规律性,使得预测方法具有更强的泛化能力。为反映源荷数据不确定性对综合能源系统的影响,利用随机优化方法在不同场景下优化系统运行,以此得到综合能源系统的日前调度优化结果。
为说明本实施例方法的效果,进行了对比实验,将本实施例的预测结果与直接利用GPQR模型进行概率预测的结果进行对比,图4中,仅采用GPQR模型,以及采用本实施例的融合分解点预测以及概率预测的CEEMD-LSTM-GPQR模型,进行了对比;同时,采用虚线给出了采用本实施例的方法的点预测的预测结果。从图4可以看出,本实施例的方法能够实现准确的点预测,只有突变点处有一定的偏移,预测区间范围更加准确的涵盖原始数据,能够保证预测的准确性并且整体的混合概率预测区间的范围较窄,有更多的真实值被覆盖在区间范围内,显著提高了概率预测的结果,从而能够保障后续生成的场景具有典型的代表性,实验结果证明了本实施例具有良好的预测性能。
实施例2
基于实施例1,本实施例中提供考虑源荷不确定性的综合能源系统日前调度系统,包括:
预处理及分解模块:被配置为用于获取综合能源系统运行的源荷多维数据,分别预处理后分解为带有频率特征的序列数据;
点预测模块:被配置为用于对分解后的每个序列数据分别进行点预测,按照每一维度数据叠加后得到对应维度数据的预测值;
残差概率预测模块:被配置为用于根据预测值计算残差,对残差进行概率预测,得到每一维度数据预测值的残差概率预测区间;
场景生成模块:被配置为用于将每一维度数据的预测值及对应的残差概率预测区间融合后生成多维场景,将多维场景进行聚类得到源荷多维典型场景及其发生的概率;
优化求解模块:被配置为用于将源荷多维典型场景数据输入综合能源系统,求解得到综合能源系统的设备出力,作为综合能源系统日前调度优化结果。
此处需要说明的是,本实施例中的各个模块与实施例1中的各个步骤一一对应,其具体实施过程相同,此处不再累述。
实施例3
本实施例提供一种电子设备,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成实施例1所述的考虑源荷不确定性的综合能源系统日前调度方法所述的步骤。
实施例4
本实施例提供一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成实施例1所述的考虑源荷不确定性的综合能源系统日前调度方法所述的步骤。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.考虑源荷不确定性的综合能源系统日前调度方法,其特征在于,包括如下步骤:
获取综合能源系统运行的源荷多维数据,分别预处理后分解为带有频率特征的序列数据;
对分解后的每个序列数据分别进行点预测,按照每一维度数据叠加后得到对应维度数据的预测值;
根据预测值计算残差,对残差进行概率预测,得到每一维度数据预测值的残差概率预测区间;
将每一维度数据的预测值及对应的残差概率预测区间融合后生成多维场景,将多维场景进行聚类得到源荷多维典型场景及其发生的概率;
将源荷多维典型场景数据输入综合能源系统,求解得到综合能源系统的设备出力,作为综合能源系统日前调度优化结果;
其中,采用自适应噪声完备集合经验模态分解方法,对综合能源系统运行的源荷多维数据的每一维度数据进行并行分解;针对每一维度数据A,采用长短期记忆网络,对分解后的每个序列数据分别进行点预测,叠加后得到未来时刻的对应维度数据A的预测值;
采用长短期记忆网络进行点预测的方法,包括如下步骤:
步骤21、针对多维数据的每一维度数据的每个分解序列对应设置一个LSTM神经网络;
步骤22、按照设定的滑动窗口划分获取的综合能源多维数据的历史数据,作为训练数据,经过预处理以及分解,按照对应的数据序列分别传输至各LSTM神经网络,基于梯度下降法更新网络模型的参数,得到训练后的多个LSTM模型;
步骤23、获取待预测点前与滑动窗口同宽度的源荷多维数据,对源荷多维数据的分解得到的频率序列,分别输入至训练好的对应LSTM模型,得到序列的预测结果;
步骤24、分别将源荷多维数据同维度数据各频率的序列预测结果叠加,得到源荷数据的预测结果;
步骤25、按照设定的步数向后滑动更新输入序列,循环执行上述步骤23至步骤24,得到下一个预测点的预测结果;
每一维度数据预测值的残差概率预测,采用高斯过程分位数回归模型,进行滚动训练及预测,包括如下过程:
步骤31、选取上一时段的点预测后得到残差序列A1,作为高斯过程分位数回归模型的输入,以当前时段的残差序列A2为输出对高斯过程分位数回归模型进行训练,得到序列的自相关性;
步骤32、以当前时段的残差序列A2为输入序列,输入至训练后的GPQR模型预测下一时段A3的预测结果,选择设定范围内的分位数结果即为残差的概率预测结果;
循环执行上述步骤31至步骤32进行滚动预测。
2.权利要求1所述的考虑源荷不确定性的综合能源系统日前调度方法,其特征在于:采用高斯过程分位数回归模型,对每一维度数据预测值的残差概率预测,在分位数回归过程中假定输出值是真实值的τ分位数,其中,τ为设定值。
3.权利要求1所述的考虑源荷不确定性的综合能源系统日前调度方法,其特征在于:
求解综合能源系统的设备出力,采用带精英策略的非支配排序遗传算法,以综合能源系统能量平衡关系以及设备容量范围为约束,按照不同典型场景下综合能源系统关键设备的运行情况及对应的发生概率,以综合能源系统的年均成本最低及年碳排放量最少为目标,最终生成综合能源系统典型场景随机优化结果。
4.考虑源荷不确定性的综合能源系统日前调度系统,其特征在于,包括:
预处理及分解模块:被配置为用于获取综合能源系统运行的源荷多维数据,分别预处理后分解为带有频率特征的序列数据;
点预测模块:被配置为用于对分解后的每个序列数据分别进行点预测,按照每一维度数据叠加后得到对应维度数据的预测值;
残差概率预测模块:被配置为用于根据预测值计算残差,对残差进行概率预测,得到每一维度数据预测值的残差概率预测区间;
场景生成模块:被配置为用于将每一维度数据的预测值及对应的残差概率预测区间融合后生成多维场景,将多维场景进行聚类得到源荷多维典型场景及其发生的概率;
优化求解模块:被配置为用于将源荷多维典型场景数据输入综合能源系统,求解得到综合能源系统的设备出力,作为综合能源系统日前调度优化结果;
其中,采用自适应噪声完备集合经验模态分解方法,对综合能源系统运行的源荷多维数据的每一维度数据进行并行分解;针对每一维度数据A,采用长短期记忆网络,对分解后的每个序列数据分别进行点预测,叠加后得到未来时刻的对应维度数据A的预测值;
采用长短期记忆网络进行点预测的方法,包括如下步骤:
步骤21、针对多维数据的每一维度数据的每个分解序列对应设置一个LSTM神经网络;
步骤22、按照设定的滑动窗口划分获取的综合能源多维数据的历史数据,作为训练数据,经过预处理以及分解,按照对应的数据序列分别传输至各LSTM神经网络,基于梯度下降法更新网络模型的参数,得到训练后的多个LSTM模型;
步骤23、获取待预测点前与滑动窗口同宽度的源荷多维数据,对源荷多维数据的分解得到的频率序列,分别输入至训练好的对应LSTM模型,得到序列的预测结果;
步骤24、分别将源荷多维数据同维度数据各频率的序列预测结果叠加,得到源荷数据的预测结果;
步骤25、按照设定的步数向后滑动更新输入序列,循环执行上述步骤23至步骤24,得到下一个预测点的预测结果;
每一维度数据预测值的残差概率预测,采用高斯过程分位数回归模型,进行滚动训练及预测,包括如下过程:
步骤31、选取上一时段的点预测后得到残差序列A1,作为高斯过程分位数回归模型的输入,以当前时段的残差序列A2为输出对高斯过程分位数回归模型进行训练,得到序列的自相关性;
步骤32、以当前时段的残差序列A2为输入序列,输入至训练后的GPQR模型预测下一时段A3的预测结果,选择设定范围内的分位数结果即为残差的概率预测结果;
循环执行上述步骤31至步骤32进行滚动预测。
5.一种电子设备,其特征在于,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成权利要求1-3任一项所述的考虑源荷不确定性的综合能源系统日前调度方法所述的步骤。
6.一种计算机可读存储介质,其特征在于,用于存储计算机指令,所述计算机指令被处理器执行时,完成权利要求1-3任一项所述的考虑源荷不确定性的综合能源系统日前调度方法所述的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310942613.6A CN116663865B (zh) | 2023-07-31 | 2023-07-31 | 考虑源荷不确定性的综合能源系统日前调度方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310942613.6A CN116663865B (zh) | 2023-07-31 | 2023-07-31 | 考虑源荷不确定性的综合能源系统日前调度方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116663865A CN116663865A (zh) | 2023-08-29 |
CN116663865B true CN116663865B (zh) | 2023-11-14 |
Family
ID=87722772
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310942613.6A Active CN116663865B (zh) | 2023-07-31 | 2023-07-31 | 考虑源荷不确定性的综合能源系统日前调度方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116663865B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110717688A (zh) * | 2019-10-16 | 2020-01-21 | 云南电网有限责任公司 | 考虑新能源出力不确定性的水风光短期联合优化调度方法 |
CN111463836A (zh) * | 2020-05-13 | 2020-07-28 | 陕西燃气集团新能源发展股份有限公司 | 一种综合能源系统优化调度方法 |
CN113193556A (zh) * | 2021-05-12 | 2021-07-30 | 燕山大学 | 基于概率预测模型的短期风电功率预测方法 |
CN115438833A (zh) * | 2022-07-29 | 2022-12-06 | 国网浙江省电力有限公司 | 一种短期电力负荷混合预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108846517B (zh) * | 2018-06-12 | 2021-03-16 | 清华大学 | 一种分位数概率性短期电力负荷预测集成方法 |
-
2023
- 2023-07-31 CN CN202310942613.6A patent/CN116663865B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110717688A (zh) * | 2019-10-16 | 2020-01-21 | 云南电网有限责任公司 | 考虑新能源出力不确定性的水风光短期联合优化调度方法 |
CN111463836A (zh) * | 2020-05-13 | 2020-07-28 | 陕西燃气集团新能源发展股份有限公司 | 一种综合能源系统优化调度方法 |
CN113193556A (zh) * | 2021-05-12 | 2021-07-30 | 燕山大学 | 基于概率预测模型的短期风电功率预测方法 |
CN115438833A (zh) * | 2022-07-29 | 2022-12-06 | 国网浙江省电力有限公司 | 一种短期电力负荷混合预测方法 |
Non-Patent Citations (1)
Title |
---|
计及新能源及负荷不确定性的多能微网系统两阶段随机规划方法;王李龑;许强;黄开艺;吴健;艾芊;张亚新;贾轩;;电力建设(第04期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116663865A (zh) | 2023-08-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Majidpour et al. | Fast prediction for sparse time series: Demand forecast of EV charging stations for cell phone applications | |
Shin et al. | Operational planning and optimal sizing of microgrid considering multi-scale wind uncertainty | |
Tang et al. | Online charging scheduling algorithms of electric vehicles in smart grid: An overview | |
JP5537304B2 (ja) | 情報処理装置およびそのプログラム | |
Yang et al. | Fluctuation reduction of wind power and sizing of battery energy storage systems in microgrids | |
CN109376971B (zh) | 一种面向电力用户的负荷曲线预测方法及系统 | |
Shayesteh et al. | Multi-station equivalents for short-term hydropower scheduling | |
CN109800898A (zh) | 一种智能短期负荷预测方法及系统 | |
CN115796393B (zh) | 基于多能互动的能源网管理优化方法、系统及存储介质 | |
Raghavendra et al. | Artificial humming bird with data science enabled stability prediction model for smart grids | |
Majidpour et al. | Fast demand forecast of electric vehicle charging stations for cell phone application | |
CN113011680A (zh) | 一种电力负荷预测方法及系统 | |
Chen et al. | Optimal control strategy for solid oxide fuel cell‐based hybrid energy system using deep reinforcement learning | |
CN113708418A (zh) | 微电网优化调度方法 | |
CN116663865B (zh) | 考虑源荷不确定性的综合能源系统日前调度方法及系统 | |
Yang et al. | Short-term demand forecasting method in power markets based on the KSVM–TCN–GBRT | |
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 | |
Jozi et al. | Day-ahead forecasting approach for energy consumption of an office building using support vector machines | |
Jeong et al. | Deep reinforcement learning based real-time renewable energy bidding with battery control | |
CN114154781A (zh) | 储电设备供电量预测方法、装置及计算机可读介质 | |
Acquah et al. | Real-time peak control algorithm using stochastic optimization | |
CN112330017A (zh) | 电力负荷预测方法、装置、电子设备和存储介质 | |
Sun et al. | Imitation learning‐based online optimal scheduling for microgrids: An approach integrating input clustering and output classification | |
CN117726143B (zh) | 基于深度强化学习的环境友好型微网优化调度方法及系统 | |
Khan | Data Center Load Forecast Using Dependent Mixture Model |
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 |