CN116993205A - 一种面向城市综合能源系统日内运行的调节能力评估方法 - Google Patents
一种面向城市综合能源系统日内运行的调节能力评估方法 Download PDFInfo
- Publication number
- CN116993205A CN116993205A CN202310811306.4A CN202310811306A CN116993205A CN 116993205 A CN116993205 A CN 116993205A CN 202310811306 A CN202310811306 A CN 202310811306A CN 116993205 A CN116993205 A CN 116993205A
- Authority
- CN
- China
- Prior art keywords
- flexible
- synchronous machine
- virtual synchronous
- virtual
- resources
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 230000001360 synchronised effect Effects 0.000 claims abstract description 77
- 238000011156 evaluation Methods 0.000 claims abstract description 47
- 238000010801 machine learning Methods 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 15
- 230000002776 aggregation Effects 0.000 claims abstract description 13
- 238000004220 aggregation Methods 0.000 claims abstract description 13
- 239000013598 vector Substances 0.000 claims description 51
- 239000011159 matrix material Substances 0.000 claims description 29
- 230000009194 climbing Effects 0.000 claims description 28
- 238000004146 energy storage Methods 0.000 claims description 16
- 238000009826 distribution Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 230000004931 aggregating effect Effects 0.000 claims description 6
- 239000003245 coal Substances 0.000 claims description 6
- 238000013210 evaluation model Methods 0.000 claims description 6
- ZFMITUMMTDLWHR-UHFFFAOYSA-N Minoxidil Chemical compound NC1=[N+]([O-])C(N)=CC(N2CCCCC2)=N1 ZFMITUMMTDLWHR-UHFFFAOYSA-N 0.000 claims description 4
- 229960003632 minoxidil Drugs 0.000 claims description 4
- 230000004044 response Effects 0.000 claims description 4
- 230000008901 benefit Effects 0.000 claims description 3
- 239000003795 chemical substances by application Substances 0.000 claims description 3
- 238000010248 power generation Methods 0.000 claims description 2
- 230000001105 regulatory effect Effects 0.000 claims 2
- 238000004364 calculation method Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012937 correction Methods 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
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004870 electrical engineering Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000006116 polymerization reaction Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- Water Supply & Treatment (AREA)
- Artificial Intelligence (AREA)
- Public Health (AREA)
- Game Theory and Decision Science (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Probability & Statistics with Applications (AREA)
- Operations Research (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种面向城市综合能源系统日内运行的调节能力评估方法，包括：建立综合能源系统的多维度指标体系，基于主客观组合赋权法得到综合权重，进而得到各灵活性资源的评价结果；根据出力外特性将灵活性资源分为虚拟电池、虚拟同步机1、虚拟同步机2；基于各灵活性资源的评价结果，利用K‑means++算法分别对三类灵活性资源进行层级评估；基于层级评估结果，构建基于奇诺多面体的多类型能源聚合模型，得到各层级的灵活性可行域；训练并运行可以准确预测灵活性资源需求的机器学习网络，得到灵活性资源预测结果并按层级高到低调用可调资源。本发明兼顾了评估的可靠性与可用性，降低了运算复杂度，提高了综合能源系统的灵活性调节能力。
Description
技术领域
本发明涉及电气工程领域，尤其涉及一种面向城市综合能源系统日内运行的调节能力评估方法。
背景技术
综合能源系统通过对电网负荷及能源供需状况的实时掌控和精细化调度，提高能源系统的安全性和稳定性。综合能源系统中的众多分布式能源，如储能、光伏、风电、热电联产机组和可控负荷等具有巨大的灵活性潜力。然而，分布式能源具有规模小、分布式和异构的特点，这使得对其进行管理和利用其电源灵活性非常困难。因此，需要对这些灵活性资源进行评估与进行灵活性聚合，为综合能源系统的运行调度提供科学的决策依据。
现阶段对综合能源系统调节能力评估的研究，大多是利用主观性评估或者客观性评估，评估结果依赖于主观判断或是历史数据。现有技术中，对综合能源系统各类异构灵活性资源的可行域聚合，大多是针对不同资源建立复杂的物理模型，计算效率低，且未考虑部分新能源的随机性与间歇性。
发明内容
针对现有技术的不足，本发明提出一种面向城市综合能源系统日内运行的调节能力评估方法，利用主客观组合赋权法与K-means++相结合的方法建立层级评估模型，兼顾了评估的可靠性，提高了综合能源系统的灵活调节能力。
具体技术方案如下：
一种面向城市综合能源系统日内运行的调节能力评估方法，包括以下步骤：
S1：建立综合能源系统的多维度指标体系，基于主客观组合赋权法，将主观权重与其分配系数的乘积、客观权重与其分配系数的乘积叠加得到综合权重，再将二级技术指标与综合权重相乘，得到各灵活性资源的评价结果；
S2：根据各灵活性资源的出力外特性将灵活性资源分为虚拟电池、虚拟同步机1、虚拟同步机2三类；基于所述各灵活性资源的评价结果，利用K-means++算法分别对虚拟电池、虚拟同步机1、虚拟同步机2三类灵活性资源进行层级评估；
S3：基于步骤S2获得的三类灵活性资源的层级评估结果，构建基于奇诺多面体的多类型能源聚合模型，得到各层级的电能和冷热资源的灵活性可行域；
S4：训练并运行可以准确预测灵活性资源需求的机器学习网络，得到灵活性资源需求预测结果，并按层级高到低调用可调资源。
进一步地，所述步骤S1具体通过以下子步骤实现：
S101：对综合能源系统的一级技术指标利用倒数法正向化处理后，进行标准化，构建各个一级指标的第一判断矩阵，并对所有第一判断矩阵求解其对应的最大特征值，根据最大特征值获取对应的特征向量，即为各个灵活性资源的一级指标权重；
S102：对综合能源系统的二级技术指标进行与S101相同的正向化与标准化处理，构建各个二级指标的第二判断矩阵，并对所有第二判断矩阵求解其对应的最大特征值，根据最大特征值获取对应的特征向量，即为各个灵活性资源的二级指标权重；
S103：基于层次分析法将一级指标权重与二级指标权重相乘得到主观权重；
S104：根据综合能源系统中各灵活性资源指标的历史数据，利用熵权法得到各个灵活性资源指标的客观权重，所述历史数据包括一级技术指标和二级技术指标；
S105：建立主客观一致化模型，得到主观权重分配系数与客观权重分配系数；主客观一致化模型的表达式如下：
其中，xij为灵活性资源j的第i指标标准值；m为灵活性资源数量；n为指标数量；为灵活性资源j的主观权重，为灵活性资源j的客观权重；α1为主观权重分配系数，α2为客观权重分配系数；H为主客观属性值偏离程度；
S106：主观权重、客观权重分别乘以对应的主观权重分配系数与客观权重分配系数，再叠加得到综合权重；将二级技术指标与综合权重相乘，得到各灵活性资源的评价结果；灵活性资源调节能力评价模型的表达式如下：
其中，为灵活性资源j的综合权重。
进一步地，所述综合能源系统的多维度指标体系包括一级技术指标和二级技术指标；所述一级技术指标包括：安全性、灵活性、经济性；所述安全性对应的二级技术指标包括：调度成功响应率、计划停运系数、非计划停运系数、可用系数；所述灵活性对应的二级技术指标包括：调节速率、调节精度、响应时间、上/下可调容量、上/下可调时长、上/下可调速率；所述经济性对应的二级技术指标包括：成本、收益。
进一步地，所述步骤S2具体包括以下子步骤：
S201：确定聚类中心个数；
S202：选取各灵活性资源的评价结果分数的分位数作为初始聚类中心；
S203：使用K-means++算法聚类；
S204：判断各个聚类中心的最大值与最小值之差是否小于1/NK，NK为层级个数；若否，则增加一个聚类中心个数，返回步骤S202；若是，则进行下一步；
S205：根据聚类中心值的大小对各类灵活性资源进行评级，得到评级结果；聚类中心值越大，该类灵活性资源的评估层级越高，可调能力越强。
进一步地，所述步骤S3具体包括以下子步骤：
S301：构建能有效表征所有能量、功率、爬坡运行约束的生成器矩阵Gess，其表达式如下：
式中：gpower(k)表示时段k下能量约束对应的生成器向量，k＝0,1,…,N-1，gstate(k)表示时段k下状态约束对应的生成器向量，gramp(k)表示时段k下爬坡约束对应的生成器向量；
将储能等效为虚拟电池，其运行考虑功率出力与能量约束，其原始可行域pB如下所示：
AB＝[A1 -A1 A2 T -A2 T A3 T -A3 T]T
式中，AB、bB为虚拟电池约束条件形成的矩阵，为虚拟电池功率上限；为虚拟电池功率下限；为虚拟同步机1爬坡速率上限；为虚拟同步机1爬坡速率下限；为虚拟电池容量上限；为虚拟电池容量下限；
虚拟电池的奇诺多面体模型选取gpower、gramp和gstate作为生成器向量；
将可控负荷、水电、热电联产、燃煤机组和燃气机组等效为虚拟同步机1，其运行考虑功率出力与爬坡能力约束，其原始可行域pG1如下所示：
AG1＝[A1 -A1 A2 T -A2 T]T
式中，AG1、bG1为虚拟同步机1约束条件形成的矩阵，为虚拟同步机1功率上限；为虚拟同步机1功率下限；为虚拟同步机1爬坡速率上限；为虚拟同步机1爬坡速率下限；
虚拟同步机1的奇诺多面体模型选取gramp和gpower作为生成器向量；
考虑光热、风电和光伏的不确定性与其运行的确定性约束，将光热、风电、光伏等效为虚拟同步机2，其原始可行域pG2如下所示：
AG2＝[A1 -A1 A2 T -A2 T bT]T
其中，AG2、bG2为虚拟同步机2约束条件形成的矩阵，为虚拟同步机2功率上限；为虚拟同步机2功率下限；为虚拟同步机2爬坡速率上限；为虚拟同步机2爬坡速率下限；w为常数，为随机变量在置信水平1-γ下的分位数，uT为常数向量，为预测误差向量；
虚拟同步机2的奇诺多面体模型选取gramp和gpower作为生成器向量；
S302：奇诺多面体与三类灵活性资源的原始可行域在法向量αs方向上的相似度Λs的表达式如下：
式中：为奇诺多面体可行域在法向量αs方向上的直径，为原始可行域在法向量αs方向上的直径，原始可行域为pB或pG1或pG2；Λs∈[0,1]，其数值越接近1代表奇诺多面体可行域和原始可行域的相似度越高；
对于某一法向量αs，原始可行域的凸多面体切点及计算其直径的优化问题表达式为：
s.t.Ap≤b
式中，ε为常数；A＝[AB、AG1、AG2]，b＝[bB、bG1、bG2]；
在对S个法向量方向均求解得到Λs后，奇诺多面体可行域通过以下优化问题确定：
s.t.Ac+|AG|β≤b
p＝c+Gβ
式中，c为奇诺多面体中心；
S303：将奇诺多面体可行域的生成器矩阵G、奇诺多面体中心c和生成器缩放系数矩阵β聚合，得到基于奇诺多面体的对应类型的灵活性资源集群可行域表达式如下：
其中，U()为unique算子，用于返回生成器矩阵[G1,…,Gm]中所有的不同列，m为对应类型的灵活性资源中所包含的资源个数；表示不同的生成器矩阵集合，表示对应类型的灵活性资源集群的中心，表示对应类型的灵活性资源集群的生成器缩放系数矩阵；
S304：结合步骤S2的层级评估结果，分别对各层级的虚拟电池、虚拟同步机1和虚拟同步机2聚合，再对这三类灵活性资源进行闵可沃夫斯基求和，得到基于奇诺多面体的多类型能源聚合模型，表达式如下：
其中，gr为所要调用的各评估等级中的最大值，在本实施例中gr取J，即评估等级为A～J；PBt为等级t中各个虚拟电池的可行域，t＝A,B,…,gr；PG1t为等级t中各个虚拟同步机1的可行域；PG2t为等级t中各个虚拟同步机2的可行域；PSi为评估等级为A到gr的灵活性资源的可行域。
进一步地，所述步骤S301中，对于虚拟同步机1，在对热电联产机组调节能力分析过程中，对热电联产机组的总可行域乘以系数η得到其供热量，剩余部分为发电量。
进一步地，所述步骤S4具体包括以下子步骤：
S401：提取城市综合能源系统的历史日前调度数据与历史实际运行数据，包括以1小时为时间尺度的各个时间点的负荷、光伏出力、风电出力、冷热需求预测结果，以及以5分钟为时间尺度的各个时间点的煤电机组实际出力、气电机组实际出力、光伏实际出力、风电实际出力、储能实际可用容量、负荷；将所有历史日前调度数据与历史实际运行数据存储到灵活性资源需求预测数据库中；
S402：将灵活性资源需求预测数据库中的数据作为原始预测数据，在数据整理时，对步骤S401中提到的历史日前调度数据与历史实际运行数据进行归一化处理，形成以组为单位、输入输出相对应的训练数据集；
S403：将训练数据集中的数据以组为单位送入机器学习网络中进行训练，得到训练完成的机器学习网络；
S404：将包括以1小时为时间尺度的各个时间点的负荷、光伏出力、风电出力、冷热需求预测结果，以及以5分钟为时间尺度的各个时间点的煤电机组实际出力、气电机组实际出力、光伏实际出力、风电实际出力、储能实际可用容量、负荷等数据进行步骤S402的归一化处理后，输入训练好的机器学习网络中，获得灵活性资源预测结果，并依照该结果，根据步骤S2的层级评估结果按层级高到低调用可调资源。
本发明的有益效果是：
(1)本发明采用主客观组合赋权法与K-means++对各灵活性资源进行评估，兼顾了评估的可靠性与可用性。
(2)本发明在对综合能源系统中各类灵活性资源建模时，根据其外特性的不同，将其分为虚拟电池、虚拟同步机1和虚拟同步机2三类，减少了灵活性资源的类别，降低了运算复杂度。
(3)本发明在对各类灵活性资源进行可行域聚合时，针对三类不同资源分别构建基于奇诺多面体的单站可行域模型，再进行聚合处理，不仅能够节约计算资源，提高计算效率，而且通过精确刻画各类资源的可行域，提高了综合能源系统的灵活性调节能力。
(4)本发明对各类灵活性资源分层级，按层级从高到低调用资源，保证了日常调用的高可靠性，根据预测结果预先确定调用资源的方法，缓解了由于可调资源种类过多导致的预算量增加问题。
附图说明
图1是本发明面向城市综合能源系统日内运行的调节能力评估方法的流程框架图。
图2是本发明步骤S1的基于主客观组合赋权法的灵活性资源调节能力评价模型流程图。
图3是本发明步骤S2的资源层级评估流程图。
图4是本发明步骤S3的基于奇诺多面体的多类型能源聚合模型流程图。
图5是本发明步骤S4的预测灵活性资源需求的机器学习网络。
具体实施方式
下面根据附图和优选实施例详细描述本发明，本发明的目的和效果将变得更加明白，以下结合附图和实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
如图1所示，面向城市综合能源系统日内运行的调节能力评估方法包括以下步骤：
S1：对综合能源系统建立多维度指标体系，基于主客观组合赋权法，构建灵活性资源调节能力评价模型。如图2所示，该灵活性资源调节能力评价模型包括模型定权和实际评估，模型定权部分将主观权重、客观权重分别乘以对应的主观权重与客观权重分配系数，再叠加得到综合权重；实际评估部分将实际数据的二级技术指标与综合权重相乘，得到各灵活性资源的评价结果。步骤S1具体通过以下子步骤实现：
S101：对综合能源系统的一级技术指标利用倒数法正向化处理后，进行标准化，构建各个一级指标的第一判断矩阵，并对所有第一判断矩阵求解其对应的最大特征值，根据最大特征值获取对应的特征向量，即为各个灵活性资源的一级指标权重。
S102：对综合能源系统的二级技术指标进行与S101相同的正向化与标准化处理，构建各个二级指标的第二判断矩阵，并对所有第二判断矩阵求解其对应的最大特征值，根据最大特征值获取对应的特征向量，即为各个灵活性资源的二级指标权重。
S103：基于层次分析法将一级指标权重与二级指标权重相乘得到主观权重。
综合能源系统的多维度指标如下表1所示：
表1：综合能源系统的多维度指标
S104：根据综合能源系统中各灵活性资源指标的历史数据，历史数据中包括表1所列写的各项技术指标，利用熵权法得到各个灵活性资源指标的客观权重。
S105：建立主客观一致化模型，得到主观权重与客观权重分配系数。主客观一致化模型的表达式如下：
其中，xij为灵活性资源j的第i指标标准值；m为灵活性资源数量；n为指标数量；为灵活性资源j的主观权重，为灵活性资源j的客观权重；α1为主观权重分配系数，α2为客观权重分配系数；H为主客观属性值偏离程度。
S106：主观权重、客观权重分别乘以对应的主观权重与客观权重分配系数，再叠加得到综合权重；将二级技术指标与综合权重相乘，得到各灵活性资源的评价结果。灵活性资源调节能力评价模型的表达式如下：
其中，为灵活性资源j的综合权重。
S2：根据各灵活性资源的出力外特性将灵活性资源分为虚拟电池、虚拟同步机1和虚拟同步机2三类。基于步骤S1得到的各灵活性资源的评价结果，利用K-means++算法分别对虚拟电池、虚拟同步机1、虚拟同步机2三类灵活性资源进行层级评估，层级越高，可调能力越强。
如图3所示，步骤S2具体包括以下子步骤：
S201：确定聚类中心个数。
S202：选取各灵活性资源的评价结果分数的分位数作为初始聚类中心。
S203：使用K-means++算法聚类。
S204：判断各个聚类中心的最大值与最小值之差是否小于1/NK，其中NK为层级个数，本实施例中，NK＝10；若否，则增加一个聚类中心个数，返回步骤S202；若是，则进行下一步。
S205：根据聚类中心值的大小对各类灵活性资源进行评级，得到评级结果。聚类中心值越大，该类灵活性资源的评估层级越高，可调能力越强。
S3：基于步骤S2获得的三类灵活性资源的层级评估结果，构建如图4所示的基于奇诺多面体的多类型能源聚合模型，刻画各层级的电能和冷热资源的灵活性可行域。
需要说明的是，储能集群的可行域聚合问题具有计算规模大、时序耦合性强的特点，因此，为了提高求解效率，本发明采用奇诺多面体近似的方法进行储能集群的灵活性聚合。采用奇诺多面体近似的方法是因为奇诺多面体与原始可行域的凸多面体(该凸多面体可能不是对称的)存在几何形状上的差异，需要在原始可行域的凸多面体的基础上，求一个内切的奇诺多面体。针对此问题，本实施例提出了一种可行域权重修正策略，考虑在不同时段负荷需求差异的情况下，优先保留调峰调频需求高的可行域部分，以提高整体可行域的调峰能力。
步骤S3具体通过如下子步骤实现：
S301：构建基于奇诺多面体的可行域模型，以储能单站为例，表达式如下：
其中，Zess表示储能单站的奇诺多面体可行域，表示在考虑N个时段的决策周期内的储能单站出力可行点；表示奇诺多面体中心；Gess表示生成器矩阵，g1表示第1个生成器向量，gNg表示第Ng个生成器向量，Ng为生成器数量；βess表示生成器缩放系数矩阵，β1表示第1个生成器向量对应的生成器缩放系数，表示第Ng个生成器向量对应的生成器缩放系数，βess决定了各个生成器的延伸距离。本发明将Gess视为已知量，cess和βess视为优化问题的决策变量。
构建能有效表征所有能量、功率、爬坡运行约束的生成器矩阵Gess，其表达式如下：
式中：gpower(k)表示时段k下能量约束对应的生成器向量，k＝0,1,…,N-1，gstate(k)表示时段k下状态约束对应的生成器向量，gramp(k)表示时段k下爬坡约束对应的生成器向量。
由储能运行约束(即能量、功率、爬坡运行约束)构建的生成器向量可产生与对应约束平行的超平面。
考虑步骤S2中分类得到的三类灵活性资源的不同约束，得到虚拟电池、虚拟同步机1和虚拟同步机2的原始可行域，具体如下：
1)虚拟电池
将储能等效为虚拟电池，其运行考虑功率出力与能量约束，其原始可行域pB如下所示：
AB＝[A1 -A1 A2 T -A2 T A3 T -A3 T]T
式中，AB、bB为虚拟电池约束条件形成的矩阵，为虚拟电池功率上限；为虚拟电池功率下限；为虚拟同步机1爬坡速率上限；为虚拟同步机1爬坡速率下限；为虚拟电池容量上限；为虚拟电池容量下限。
虚拟电池的奇诺多面体模型选取gpower、gramp和gstate作为生成器向量。
2)虚拟同步机1
将可控负荷、水电、热电联产、燃煤机组和燃气机组等效为虚拟同步机1，其运行考虑功率出力与爬坡能力约束，其原始可行域pG1如下所示：
AG1＝[A1 -A1 A2 T -A2 T]T
式中，AG1、bG1为虚拟同步机1约束条件形成的矩阵，为虚拟同步机1功率上限；为虚拟同步机1功率下限；为虚拟同步机1爬坡速率上限；为虚拟同步机1爬坡速率下限。
虚拟同步机1的奇诺多面体模型选取gramp和gpower作为生成器向量。
特别地，由于热电联产机组可发电和供热，所以在对热电联产机组调节能力分析过程中，对热电联产机组的总可行域乘以系数η得到其供热量，剩余部分为发电量。根据标准文件，系数η范围设置为0.5～0.7。
3)虚拟同步机2
由于光热、风电和光伏出力存在随机性与波动性，在灵活性聚合过程中需考虑其概率特征，一般的机会约束如下所示：
其中，x为决策变量，即光热、风电和光伏出力；为预测误差向量；uT、vT均为常数向量，w为常数，1-γ为置信水平。
利用高斯混合模型(GaussianMixture Model，以下简称GMM)，预测误差向量的联合概率函数可以用几个高斯函数的线性组合进行拟合，随机变量在置信水平1-γ下的分位数通过下式计算，将机会约束转化为确定性约束：
考虑光热、风电和光伏的不确定性与其运行的确定性约束，将光热、风电、光伏等效为虚拟同步机2，其原始可行域pG2如下所示：
AG2＝[A1 -A1 A2 T -A2 T bT]T
其中，AG2、bG2为虚拟同步机2约束条件形成的矩阵，为虚拟同步机2功率上限；为虚拟同步机2功率下限；为虚拟同步机2爬坡速率上限；为虚拟同步机2爬坡速率下限。
虚拟同步机2的奇诺多面体模型选取gramp和gpower作为生成器向量。
S302：奇诺多面体与三类灵活性资源的原始可行域在法向量αs方向上的相似度Λs的表达式如下：
式中：为奇诺多面体可行域在法向量αs方向上的直径，为原始可行域在法向量αs方向上的直径，原始可行域为pB或pG1或pG2。Λs∈[0,1]，其数值越接近1代表奇诺多面体可行域和原始可行域的相似度越高。
对于某一法向量αs，寻找原始可行域的凸多面体切点及计算其直径的优化问题可表示为：
s.t.Ap≤b
式中，ε表示一个足够大的常数，p表示向量，p向量组成的空间形成可行域A＝[AB、AG1、AG2]，b＝[bB、bG1、bG2]，均为对应类型灵活性资源的约束条件形成的矩阵。
奇诺多面体可行域在法向量αs方向上的直径的表达式为：
在对S个法向量方向均求解得到Λs后，奇诺多面体可行域通过以下优化问题确定：
s.t.Ac+|AG|β≤b
p＝c+Gβ
式中，c为奇诺多面体中心。
S303：将奇诺多面体可行域的生成器矩阵G、奇诺多面体中心c和生成器缩放系数矩阵β聚合，得到基于奇诺多面体的对应类型的灵活性资源集群可行域表达式如下：
其中，U()为unique算子，其功能为返回生成器矩阵[G1,…,Gm]中所有的不同列，m为对应类型的灵活性资源中所包含的资源个数；表示不同的生成器矩阵集合，表示对应类型的灵活性资源集群的中心，表示对应类型的灵活性资源集群的生成器缩放系数矩阵。
S304：结合步骤S2的层级评估结果，分别对各层级的虚拟电池、虚拟同步机1和虚拟同步机2聚合，再对这三类灵活性资源进行闵可沃夫斯基求和，得到基于奇诺多面体的多类型能源聚合模型，表达式如下：
其中，gr为所要调用的各评估等级中的最大值，在本实施例中gr取J，即评估等级为A～J；PBt为等级t中各个虚拟电池的可行域，t＝A,B,…,gr；PG1t为等级t中各个虚拟同步机1的可行域；PG2t为等级t中各个虚拟同步机2的可行域；PSi为评估等级为A到gr的灵活性资源的可行域。
S4：如图5所示，训练并运行可以准确预测灵活性资源需求的机器学习网络，得到灵活性资源预测结果并按层级高到低调用可调资源。步骤S4具体通过以下子步骤实现：
S401：提取城市综合能源系统的历史日前调度数据与历史实际运行数据，包括以1小时为时间尺度的各个时间点的负荷、光伏出力、风电出力、冷热需求预测结果，以及以5分钟为时间尺度的各个时间点的煤电机组实际出力、气电机组实际出力、光伏实际出力、风电实际出力、储能实际可用容量、负荷；将所有历史日前调度数据与历史实际运行数据存储到灵活性资源需求预测数据库中。
S402：将灵活性资源需求预测数据库中的数据作为原始预测数据，在数据整理时，对步骤S401中提到的历史日前调度数据与历史实际运行数据进行归一化处理，形成以组为单位、输入输出相对应的训练数据集。在本实施例中，归一化处理时结合各个时间点具体的时间，整理形成12×48的数据结构。
S403：训练机器学习网络——将训练数据集中的数据以组为单位送入机器学习网络(如LSTM、Transformer等网络)中进行训练，得到训练完成的机器学习网络，实现电负荷以及冷热负荷的灵活性资源需求预测。
S404：使用训练完成的机器学习网络，判断灵活性是否充裕。将包括以1小时为时间尺度的各个时间点的负荷、光伏出力、风电出力、冷热需求预测结果，以及以5分钟为时间尺度的各个时间点的煤电机组实际出力、气电机组实际出力、光伏实际出力、风电实际出力、储能实际可用容量、负荷等数据进行步骤S402的归一化处理后，输入训练好的机器学习网络中，获得灵活性资源预测结果，并依照该结果，根据步骤S2的层级评估结果按层级高到低调用可调资源。
本领域普通技术人员可以理解，以上所述仅为发明的优选实例而已，并不用于限制发明，尽管参照前述实例对发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实例记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在发明的精神和原则之内，所做的修改、等同替换等均应包含在发明的保护范围之内。
Claims (7)
1.一种面向城市综合能源系统日内运行的调节能力评估方法，其特征在于，包括以下步骤：
S1：建立综合能源系统的多维度指标体系，基于主客观组合赋权法，将主观权重与其分配系数的乘积、客观权重与其分配系数的乘积叠加得到综合权重，再将二级技术指标与综合权重相乘，得到各灵活性资源的评价结果；
S2：根据各灵活性资源的出力外特性将灵活性资源分为虚拟电池、虚拟同步机1、虚拟同步机2三类；基于所述各灵活性资源的评价结果，利用K-means++算法分别对虚拟电池、虚拟同步机1、虚拟同步机2三类灵活性资源进行层级评估；
S3：基于步骤S2获得的三类灵活性资源的层级评估结果，构建基于奇诺多面体的多类型能源聚合模型，得到各层级的电能和冷热资源的灵活性可行域；
S4：训练并运行可以准确预测灵活性资源需求的机器学习网络，得到灵活性资源需求预测结果，并按层级高到低调用可调资源。
2.根据权利要求1所述的面向城市综合能源系统日内运行的调节能力评估方法，其特征在于，所述步骤S1具体通过以下子步骤实现：
S101：对综合能源系统的一级技术指标利用倒数法正向化处理后，进行标准化，构建各个一级指标的第一判断矩阵，并对所有第一判断矩阵求解其对应的最大特征值，根据最大特征值获取对应的特征向量，即为各个灵活性资源的一级指标权重；
S102：对综合能源系统的二级技术指标进行与S101相同的正向化与标准化处理，构建各个二级指标的第二判断矩阵，并对所有第二判断矩阵求解其对应的最大特征值，根据最大特征值获取对应的特征向量，即为各个灵活性资源的二级指标权重；
S103：基于层次分析法将一级指标权重与二级指标权重相乘得到主观权重；
S104：根据综合能源系统中各灵活性资源指标的历史数据，利用熵权法得到各个灵活性资源指标的客观权重，所述历史数据包括一级技术指标和二级技术指标；
S105：建立主客观一致化模型，得到主观权重分配系数与客观权重分配系数；主客观一致化模型的表达式如下：
其中，xij为灵活性资源j的第i指标标准值；m为灵活性资源数量；n为指标数量；为灵活性资源j的主观权重，为灵活性资源j的客观权重；α1为主观权重分配系数，α2为客观权重分配系数；H为主客观属性值偏离程度；
S106：主观权重、客观权重分别乘以对应的主观权重分配系数与客观权重分配系数，再叠加得到综合权重；将二级技术指标与综合权重相乘，得到各灵活性资源的评价结果；灵活性资源调节能力评价模型的表达式如下：
其中，为灵活性资源j的综合权重。
3.根据权利要求1所述的面向城市综合能源系统日内运行的调节能力评估方法，其特征在于，所述综合能源系统的多维度指标体系包括一级技术指标和二级技术指标；所述一级技术指标包括：安全性、灵活性、经济性；所述安全性对应的二级技术指标包括：调度成功响应率、计划停运系数、非计划停运系数、可用系数；所述灵活性对应的二级技术指标包括：调节速率、调节精度、响应时间、上/下可调容量、上/下可调时长、上/下可调速率；所述经济性对应的二级技术指标包括：成本、收益。
4.根据权利要求1所述的面向城市综合能源系统日内运行的调节能力评估方法，其特征在于，所述步骤S2具体包括以下子步骤：
S201：确定聚类中心个数；
S202：选取各灵活性资源的评价结果分数的分位数作为初始聚类中心；
S203：使用K-means++算法聚类；
S204：判断各个聚类中心的最大值与最小值之差是否小于1/NK，NK为层级个数；若否，则增加一个聚类中心个数，返回步骤S202；若是，则进行下一步；
S205：根据聚类中心值的大小对各类灵活性资源进行评级，得到评级结果；聚类中心值越大，该类灵活性资源的评估层级越高，可调能力越强。
5.根据权利要求1所述的面向城市综合能源系统日内运行的调节能力评估方法，其特征在于，所述步骤S3具体包括以下子步骤：
S301：构建能有效表征所有能量、功率、爬坡运行约束的生成器矩阵Gess，其表达式如下：
式中：gpower(k)表示时段k下能量约束对应的生成器向量，k＝0,1,…,N-1，gstate(k)表示时段k下状态约束对应的生成器向量，gramp(k)表示时段k下爬坡约束对应的生成器向量；
将储能等效为虚拟电池，其运行考虑功率出力与能量约束，其原始可行域pB如下所示：
AB＝[A1 -A1 A2 T -A2 T A3 T -A3 T]T
式中，AB、bB为虚拟电池约束条件形成的矩阵，为虚拟电池功率上限；为虚拟电池功率下限；为虚拟同步机1爬坡速率上限；为虚拟同步机1爬坡速率下限；为虚拟电池容量上限；为虚拟电池容量下限；
虚拟电池的奇诺多面体模型选取gpower、gramp和gstate作为生成器向量；
将可控负荷、水电、热电联产、燃煤机组和燃气机组等效为虚拟同步机1，其运行考虑功率出力与爬坡能力约束，其原始可行域pG1如下所示：
AG1＝[A1-A1A2 T-A2 T]T
式中，AG1、bG1为虚拟同步机1约束条件形成的矩阵，为虚拟同步机1功率上限；为虚拟同步机1功率下限；为虚拟同步机1爬坡速率上限；为虚拟同步机1爬坡速率下限；
虚拟同步机1的奇诺多面体模型选取gramp和gpower作为生成器向量；
考虑光热、风电和光伏的不确定性与其运行的确定性约束，将光热、风电、光伏等效为虚拟同步机2，其原始可行域pG2如下所示：
AG2＝[A1 -A1 A2 T -A2 T bT]T
其中，AG2、bG2为虚拟同步机2约束条件形成的矩阵，为虚拟同步机2功率上限；为虚拟同步机2功率下限；为虚拟同步机2爬坡速率上限；为虚拟同步机2爬坡速率下限；w为常数，为随机变量在置信水平1-γ下的分位数，uT为常数向量，为预测误差向量；
虚拟同步机2的奇诺多面体模型选取gramp和gpower作为生成器向量；
S302：奇诺多面体与三类灵活性资源的原始可行域在法向量αs方向上的相似度Λs的表达式如下：
式中：为奇诺多面体可行域在法向量αs方向上的直径，为原始可行域在法向量αs方向上的直径，原始可行域为pB或pG1或pG2；Λs∈[0,1]，其数值越接近1代表奇诺多面体可行域和原始可行域的相似度越高；
对于某一法向量αs，原始可行域的凸多面体切点及计算其直径的优化问题表达式为：
s.t.Ap≤b
式中，ε为常数；A＝[AB、AG1、AG2]，b＝[bB、bG1、bG2]；
在对S个法向量方向均求解得到Λs后，奇诺多面体可行域通过以下优化问题确定：
s.t.Ac+|AG|β≤b
p＝c+Gβ
式中，c为奇诺多面体中心；
S303：将奇诺多面体可行域的生成器矩阵G、奇诺多面体中心c和生成器缩放系数矩阵β聚合，得到基于奇诺多面体的对应类型的灵活性资源集群可行域表达式如下：
其中，U()为unique算子，用于返回生成器矩阵[G1,…,Gm]中所有的不同列，m为对应类型的灵活性资源中所包含的资源个数；表示不同的生成器矩阵集合，表示对应类型的灵活性资源集群的中心，表示对应类型的灵活性资源集群的生成器缩放系数矩阵；
S304：结合步骤S2的层级评估结果，分别对各层级的虚拟电池、虚拟同步机1和虚拟同步机2聚合，再对这三类灵活性资源进行闵可沃夫斯基求和，得到基于奇诺多面体的多类型能源聚合模型，表达式如下：
其中，gr为所要调用的各评估等级中的最大值，在本实施例中gr取J，即评估等级为A～J；PBt为等级t中各个虚拟电池的可行域，t＝A,B,…,gr；PG1t为等级t中各个虚拟同步机1的可行域；PG2t为等级t中各个虚拟同步机2的可行域；PSi为评估等级为A到gr的灵活性资源的可行域。
6.根据权利要求5所述的面向城市综合能源系统日内运行的调节能力评估方法，其特征在于，所述步骤S301中，对于虚拟同步机1，在对热电联产机组调节能力分析过程中，对热电联产机组的总可行域乘以系数η得到其供热量，剩余部分为发电量。
7.根据权利要求1所述的面向城市综合能源系统日内运行的调节能力评估方法，其特征在于，所述步骤S4具体包括以下子步骤：
S401：提取城市综合能源系统的历史日前调度数据与历史实际运行数据，包括以1小时为时间尺度的各个时间点的负荷、光伏出力、风电出力、冷热需求预测结果，以及以5分钟为时间尺度的各个时间点的煤电机组实际出力、气电机组实际出力、光伏实际出力、风电实际出力、储能实际可用容量、负荷；将所有历史日前调度数据与历史实际运行数据存储到灵活性资源需求预测数据库中；
S402：将灵活性资源需求预测数据库中的数据作为原始预测数据，在数据整理时，对步骤S401中提到的历史日前调度数据与历史实际运行数据进行归一化处理，形成以组为单位、输入输出相对应的训练数据集；
S403：将训练数据集中的数据以组为单位送入机器学习网络中进行训练，得到训练完成的机器学习网络；
S404：将包括以1小时为时间尺度的各个时间点的负荷、光伏出力、风电出力、冷热需求预测结果，以及以5分钟为时间尺度的各个时间点的煤电机组实际出力、气电机组实际出力、光伏实际出力、风电实际出力、储能实际可用容量、负荷等数据进行步骤S402的归一化处理后，输入训练好的机器学习网络中，获得灵活性资源预测结果，并依照该结果，根据步骤S2的层级评估结果按层级高到低调用可调资源。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310811306.4A CN116993205A (zh) | 2023-07-04 | 2023-07-04 | 一种面向城市综合能源系统日内运行的调节能力评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310811306.4A CN116993205A (zh) | 2023-07-04 | 2023-07-04 | 一种面向城市综合能源系统日内运行的调节能力评估方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116993205A true CN116993205A (zh) | 2023-11-03 |
Family
ID=88522289
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310811306.4A Pending CN116993205A (zh) | 2023-07-04 | 2023-07-04 | 一种面向城市综合能源系统日内运行的调节能力评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116993205A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117252447A (zh) * | 2023-11-17 | 2023-12-19 | 山东海晟盐业有限公司 | 一种工业盐生产统计方法及系统 |
| CN118154260A (zh) * | 2024-05-11 | 2024-06-07 | 国网浙江省电力有限公司丽水供电公司 | 配电网资源聚合方法、系统、计算机设备和存储介质 |
-
2023
- 2023-07-04 CN CN202310811306.4A patent/CN116993205A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117252447A (zh) * | 2023-11-17 | 2023-12-19 | 山东海晟盐业有限公司 | 一种工业盐生产统计方法及系统 |
| CN117252447B (zh) * | 2023-11-17 | 2024-02-06 | 山东海晟盐业有限公司 | 一种工业盐生产统计方法及系统 |
| CN118154260A (zh) * | 2024-05-11 | 2024-06-07 | 国网浙江省电力有限公司丽水供电公司 | 配电网资源聚合方法、系统、计算机设备和存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116993205A (zh) | 一种面向城市综合能源系统日内运行的调节能力评估方法 | |
| CN107301472A (zh) | 基于场景分析法和电压调节策略的分布式光伏规划方法 | |
| Wang et al. | Underfrequency load shedding scheme for islanded microgrids considering objective and subjective weight of loads | |
| CN113783224A (zh) | 一种考虑多种分布式能源运行的配电网双层优化规划方法 | |
| CN115688970B (zh) | 基于区间概率不确定集的微电网两阶段自适应鲁棒优化调度方法 | |
| CN110707711B (zh) | 一种用户侧综合能源系统分级调控方法及系统 | |
| CN107017625A (zh) | 用于独立微电网的能量动态调度的方法和设备 | |
| CN115036914A (zh) | 考虑灵活性与新能源消纳的电网储能双层优化方法及系统 | |
| CN115759610A (zh) | 一种电力系统源网荷储协同的多目标规划方法及其应用 | |
| CN114430165A (zh) | 基于深度模型预测的微网群智能协调控制方法和装置 | |
| Li et al. | Flexible scheduling of microgrid with uncertainties considering expectation and robustness | |
| Du et al. | Multi-objective optimal sizing of hybrid energy storage systems for grid-connected wind farms using fuzzy control | |
| Zhu et al. | Energy optimal dispatch of the data center microgrid based on stochastic model predictive control | |
| CN114676921A (zh) | 一种考虑源荷储协调优化的系统风电可接纳能力计算方法 | |
| CN112003279B (zh) | 层次化微电网新能源消纳能力的评估方法 | |
| CN113708418A (zh) | 微电网优化调度方法 | |
| Guo et al. | The capacity optimization and techno-economic analysis of stand-alone hybrid renewable energy systems based on a two-stage nested optimization approach | |
| CN111525556B (zh) | 一种计及风电置信风险的多目标最优潮流计算方法 | |
| CN113364043A (zh) | 一种基于条件风险价值的微电网群优化方法 | |
| CN108694475A (zh) | 基于混合模型的短时间尺度光伏电池发电量预测方法 | |
| CN108683211B (zh) | 一种考虑分布式电源波动性的虚拟发电厂组合优化方法及模型 | |
| CN116316889A (zh) | 一种考虑电网调峰需求的新能源优化调度方法 | |
| CN114004393B (zh) | 配电网-天然气联合系统双层多时间尺度运行优化方法 | |
| CN115483718A (zh) | 计及储能与需求响应的电-气虚拟电厂双层优化调度方法 | |
| CN115642638A (zh) | 基于双层模型的风光氢储耦合系统配置优化方法及系统 |
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 |