CN117060408B - 新能源发电预测方法及系统 - Google Patents
新能源发电预测方法及系统 Download PDFInfo
- Publication number
- CN117060408B CN117060408B CN202311324751.4A CN202311324751A CN117060408B CN 117060408 B CN117060408 B CN 117060408B CN 202311324751 A CN202311324751 A CN 202311324751A CN 117060408 B CN117060408 B CN 117060408B
- Authority
- CN
- China
- Prior art keywords
- new energy
- objective function
- energy system
- power generation
- power
- 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
- 238000010248 power generation Methods 0.000 title claims abstract description 112
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000005457 optimization Methods 0.000 claims abstract description 23
- 238000013486 operation strategy Methods 0.000 claims abstract description 16
- 230000006870 function Effects 0.000 claims description 106
- 239000002245 particle Substances 0.000 claims description 92
- 238000012549 training Methods 0.000 claims description 16
- 230000005540 biological transmission Effects 0.000 claims description 8
- 230000003993 interaction Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 210000002569 neuron Anatomy 0.000 claims description 5
- 238000009826 distribution Methods 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 4
- 238000012546 transfer Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
-
- 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
- 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—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
-
- 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
- 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
- H02J2300/28—The renewable source being wind energy
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Power Engineering (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Biophysics (AREA)
- Public Health (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Water Supply & Treatment (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供一种新能源发电预测方法及系统，涉及电网领域，包括获取目标区域的实时气象信息以及所述目标区域的历史发电功率信息，根据气象特征以及历史发电特征通过预先构建的发电预测模型确定预设时间周期的预测功率信息；基于所述预测功率信息，结合新能源系统的电力成本，以最大化新能源系统经济性为第一目标构建对应的第一目标函数，结合新能源系统的网络结构，以最小化对新能源系统冲击为第二目标构建对应的第二目标函数；根据所述第一目标函数对应的第一约束条件，以及所述第二目标函数对应的第二约束条件，通过多目标优化算法求解所述第一目标函数和所述第二目标函数，确定新能源系统的运行策略。
Description
技术领域
本发明涉及电网技术，尤其涉及一种新能源发电预测方法及系统。
背景技术
CN114281846A，一种基于机器学习的新能源发电预测方法，公开了获取若干个新能源发电站的历史发电数据和历史天气数据，对获取的数据进行预处理并构建历史数据库，建立新能源发电预测模型，对历史发电数据以及历史天气数据进行特征提取并筛选，根据筛选后特征数据构建预测数据集，所述预测数据集包括训练集、验证集和测试集，新能源发电预测模型根据训练集进行模型训练，并通过测试集获取新能源发电预测模型的预测误差，在预测误差不超过预设阈值后，采集进行发电预测的新能源发电站对应的天气数据，并通过新能源发电预测模型根据天气数据输出发电预测结果。
CN112202174B，一种新能源发电预测方法及系统，公开了获取目标区域的历史发电数据、历史天气数据以及目标预测日期的天气预报数据；根据历史发电数据、历史天气数据，得到天气指数对新能源发电的影响率；根据天气指数对新能源发电的影响率以及目标预测日期的天气预报数据预测获得新能源发电的发电负荷和发电量。
针对新能源发电系统输出功率预测，目前已有较多方法。从系统实现角度，基于模型的需要综合考虑系统位置、环境、气象等因素，基于数据的则需要辅以充足的数据集和数据处理算法。但现有的输出功率预测在高效和实用性上均存在不足：新能源发电预测涉及到多个方面，现有技术只是从单一方面进行考虑。
发明内容
本发明实施例提供一种新能源发电预测方法及系统，至少能够解决现有技术中部分问题，也即解决现有技术只从单一方面考虑新能源发电预测的问题。
本发明实施例的第一方面，
提供一种新能源发电预测方法，包括：
获取目标区域的实时气象信息以及所述目标区域的历史发电功率信息，从所述实时气象信息中提取气象特征以及从所述历史发电功率信息中提取历史发电特征，根据所述气象特征以及所述历史发电特征通过预先构建的发电预测模型确定预设时间周期的预测功率信息；
基于所述预测功率信息，结合新能源系统的电力成本，以最大化新能源系统经济性为第一目标构建对应的第一目标函数，结合新能源系统的网络结构，以最小化对新能源系统冲击为第二目标构建对应的第二目标函数；
根据所述第一目标函数对应的第一约束条件，以及所述第二目标函数对应的第二约束条件，通过多目标优化算法求解所述第一目标函数和所述第二目标函数，确定新能源系统的运行策略。
在一种可选的实施方式中，
根据所述气象特征以及所述历史发电特征通过预先构建的发电预测模型确定预设时间周期的预测功率信息之前，所述方法还包括训练发电预测模型：
所述发电预测模型基于长短期记忆网络模型构建，将待训练发电预测模型的隐藏层神经元数量、学习率、学习率衰减因子以及迭代次数作为待求解参数集合，设定所述待求解参数集合的取值范围并且对所述待求解参数集合进行初始化，生成随机分布的粒子群；
基于预先获取的发电训练数据集，确定所述发电训练数据集的每个粒子的适应度值，根据每个粒子的适应度值，确定所述粒子群中个体最优粒子和全局最优粒子；
根据每个粒子对应的适应度值更新下一轮迭代中各个粒子的速度和位置，按照每个粒子的适应度值对粒子进行排序，确定相邻粒子之间的距离之和，迭代计算相邻粒子之间的距离之和，并且每次将距离之和最大的相邻粒子替换掉距离之和最小的相邻粒子，直至所有的粒子均被遍历，将遍历完成后距离之和最大的相邻粒子的平均值作为最优参数。
在一种可选的实施方式中，
基于所述预测功率信息，结合新能源系统的电力成本，以最大化新能源系统经济性为第一目标构建对应的第一目标函数，结合新能源系统的网络结构，以最小化对新能源系统冲击为第二目标构建对应的第二目标函数包括：
基于所述预测功率信息，结合购买外部电力成本以及所述新能源系统的发电成本，同时考虑与所述新能源系统连接的电力系统的负荷需求，以及所述新能源系统与电力系统的交互功率，构建所述第一目标函数。
在一种可选的实施方式中，
基于所述预测功率信息，结合新能源系统的电力成本，以最大化新能源系统经济性为第一目标构建对应的第一目标函数，结合新能源系统的网络结构，以最小化对新能源系统冲击为第二目标构建对应的第二目标函数还包括：
基于所述预测功率信息，结合所述新能源系统的网络结构，同时考虑与所述新能源系统连接的电力系统的电压稳定性以及与所述新能源系统连接的电力系统的频率稳定性，构建所述第二目标函数。
在一种可选的实施方式中，
构建所述第一目标函数如下公式所示：
；
其中，OBJ1表示第一目标函数对应的第一目标值，W cost、W self分别表示成本权重和功率权重，P load、P generate、P grid分别表示所述预测功率信息、所述负荷需求以及所述新能源系统与电力系统的交互功率，C external、C generation分别表示购买外部电力成本和所述新能源系统的发电成本；
构建所述第二目标函数如下公式所示：
；
其中，OBJ2表示第二目标函数对应的第二目标值，W vol、W fre、W load分别表示电压稳定性对应的权重系数、频率稳定性对应的权重系数、预测功率信息对应的权重系数，I vol、I fre分别表示电压稳定性和频率稳定性。
在一种可选的实施方式中，
所述第一目标函数对应的第一约束条件包括所述预测功率信息大于等于电力负荷需求、所述预测功率信息小于等于额定容量；
所述第二目标函数对应的第二约束条件包括所述电压稳定性和所述频率稳定性在安全阈值范围内以及所述新能源系统与所述电力系统的传输容量不超过传输阈值。
在一种可选的实施方式中，
通过多目标优化算法求解所述第一目标函数和所述第二目标函数，确定新能源系统的运行策略包括：
随机生成一组初始解作为种群的起始点，计算种群中每个个体对应的第一目标函数和第二目标函数的值，基于每个个体对应的第一目标函数和第二目标函数的值对每个个体进行非支配排序；
选择非支配排序中位置靠前的个体作为种子父个体，再从种群中随机选择两个父个体，将其中一个父个体与所述种子父个体相减生成差分个体，将差分个体与另一个父个体相加生成子代个体；
迭代遍历选择种群中多个父个体，生成多个子代个体组成子种群，将所述子种群中非支配排序最靠前的子个体作为新能源系统的运行策略。
本发明实施例的第二方面，
提供一种新能源发电预测系统，包括：
第一单元，用于获取目标区域的实时气象信息以及所述目标区域的历史发电功率信息，从所述实时气象信息中提取气象特征以及从所述历史发电功率信息中提取历史发电特征，根据所述气象特征以及所述历史发电特征通过预先构建的发电预测模型确定预设时间周期的预测功率信息；
第二单元，用于基于所述预测功率信息，结合新能源系统的电力成本，以最大化新能源系统经济性为第一目标构建对应的第一目标函数，结合新能源系统的网络结构，以最小化对新能源系统冲击为第二目标构建对应的第二目标函数；
第三单元，用于根据所述第一目标函数对应的第一约束条件，以及所述第二目标函数对应的第二约束条件，通过多目标优化算法求解所述第一目标函数和所述第二目标函数，确定新能源系统的运行策略。
本发明实施例的第三方面，
提供一种电子设备，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为调用所述存储器存储的指令，以执行前述所述的方法。
本发明实施例的第四方面，
提供一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现前述所述的方法。
本发明实施例的有益效果可以参考具体实施方式中技术特征对应的效果，在此不再赘述。
附图说明
图1为本发明实施例新能源发电预测方法的流程示意图；
图2为本发明实施例新能源发电预测系统的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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。
下面以具体地实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。
图1为本发明实施例新能源发电预测方法的流程示意图，如图1所示，所述方法包括：
S101. 获取目标区域的实时气象信息以及所述目标区域的历史发电功率信息，从所述实时气象信息中提取气象特征以及从所述历史发电功率信息中提取历史发电特征，根据所述气象特征以及所述历史发电特征通过预先构建的发电预测模型确定预设时间周期的预测功率信息；
示例性地，实时气象信息包括目标区域当前的气象条件，通常包括风速、风向、温度、湿度、气压等参数，实时气象信息提供了当前的气象状态，可用于根据当前风速等因素估计风力发电的潜力，风速的变化可以反映出未来风力发电量的趋势。
历史发电功率信息包括过去一段时间内的风力发电功率数据，通常以时间序列的形式记录，这些数据反映了在不同气象条件下风力发电的实际表现。历史发电功率信息提供了不同气象条件下风力发电的实际经验，可以用于建立预测模型，这些数据可以揭示风速和其他气象因素与发电功率之间的关系，帮助进行发电量预测。
将实时气象信息和历史发电功率信息中的特征提取为数值特征，例如平均风速、最大风速、风速变化、时间特征等；使用机器学习或统计建模技术，如回归分析、神经网络、支持向量回归等，根据提取的特征构建发电预测模型。使用预先构建的模型，结合实时气象信息和历史特征，进行预测并生成预测功率信息。
可选地，本申请的发电预测模型基于长短期记忆网络模型并且结合改进的粒子群算法构建，用于基于实时获取的气象信息和历史发电信息进行功率预测。
在一种可选的实施方式中，
根据所述气象特征以及所述历史发电特征通过预先构建的发电预测模型确定预设时间周期的预测功率信息之前，所述方法还包括训练发电预测模型：
所述发电预测模型基于长短期记忆网络模型构建，将待训练发电预测模型的隐藏层神经元数量、学习率、学习率衰减因子以及迭代次数作为待求解参数集合，设定所述待求解参数集合的取值范围并且对所述待求解参数集合进行初始化，生成随机分布的粒子群；
基于预先获取的发电训练数据集，确定所述发电训练数据集的每个粒子的适应度值，根据每个粒子的适应度值，确定所述粒子群中个体最优粒子和全局最优粒子；
根据每个粒子对应的适应度值更新下一轮迭代中各个粒子的速度和位置，按照每个粒子的适应度值对粒子进行排序，确定相邻粒子之间的距离之和，迭代计算相邻粒子之间的距离之和，并且每次将距离之和最大的相邻粒子替换掉距离之和最小的相邻粒子，直至所有的粒子均被遍历，将遍历完成后距离之和最大的相邻粒子的平均值作为最优参数。最终的全局最优粒子的参数组合被认为是最佳的超参数设置，用于训练最终的发电预测模型。
示例性地，首先，定义待训练发电预测模型的超参数集合，包括隐藏层神经元数量、学习率、学习率衰减因子以及迭代次数等，然后，设定这些参数的取值范围，并初始化一个包含随机分布的粒子群，每个粒子代表一个可能的超参数组合。
使用预先获取的发电训练数据集，通过训练和验证发电预测模型，确定每个粒子的适应度值。适应度值可以是发电预测模型在验证集上的性能评估指标，例如均方根误差（RMSE）或平均绝对误差（MAE），适应度值越小表示模型性能越好。
根据每个粒子的适应度值，确定粒子群中的个体最优粒子和全局最优粒子，个体最优粒子是每个粒子根据自己的适应度值确定的最佳参数组合，而全局最优粒子是整个粒子群中具有最佳适应度值的粒子的参数组合。
具体地，初始化每个粒子的个体最优位置和个体最优适应度值，将每个粒子的当前位置视为其个体最优位置，对于每个粒子，比较其当前适应度值与其个体最优位置的适应度值，如果当前位置的适应度值更好（更小或更大，取决于优化问题的类型），则将当前位置设为个体最优位置。从粒子群中随机选择一个粒子的位置作为全局最优位置，对于每个粒子，比较其当前适应度值与全局最优位置的适应度值，如果当前粒子的适应度值更好（更小或更大，取决于问题类型），则将当前粒子的位置设为全局最优位置。
对粒子群中的每个粒子，计算其适应度值，根据粒子的适应度值对粒子进行排序，将粒子按照适应度值的升序或降序排列，使适应度值小的粒子排在前面或后面。遍历排好序的粒子列表，计算相邻粒子之间的距离之和，通常，距离可以用位置的差值来表示，如欧氏距离或曼哈顿距离，在遍历的过程中，每次将距离之和最大的相邻粒子替换掉距离之和最小的相邻粒子，这个操作有助于引导粒子群向更优的解收敛。重复遍历直至所有粒子都被遍历，即完成一轮迭代。将遍历完成后距离之和最大的相邻粒子的平均值作为最优参数，这些参数代表了粒子群优化算法搜索得到的最佳解。
本申请的模型训练方法基于粒子群优化算法（PSO）来寻找长短期记忆网络（LSTM）模型的最佳超参数组合，以用于发电预测。相对于传统的PSO算法，这里的改进点在于针对LSTM模型参数的优化和粒子的更新策略上有一些特殊之处：
传统的PSO算法通常用于优化连续的参数空间，例如连续值的向量。在这种情况下，目标函数往往是一个连续的、数值型函数。而在所述方法中，PSO被用于优化LSTM模型的离散参数，如隐藏层神经元数量、学习率、学习率衰减因子以及迭代次数，这些参数是模型超参数，因此优化目标更具问题特定性。与传统PSO不同，最终的最优参数是由距离之和最大的相邻粒子的平均值确定的，这一步骤的目的是综合考虑了多个粒子的搜索结果，而不仅仅是全局最优粒子的参数。
本申请的技术方案相比于传统的PSO算法，更适应离散参数空间的优化问题，提高了搜索的有效性。随机初始化粒子群增加了算法的多样性，有助于避免陷入局部最优解。通过设计合适的适应度函数和更新策略，可以更有针对性地优化LSTM模型的超参数，从而提高发电预测模型的性能。综合多个粒子的搜索结果，而不仅仅是全局最优粒子，可以减少个别粒子的影响，提高参数搜索的稳定性。
S102. 基于所述预测功率信息，结合新能源系统的电力成本，以最大化新能源系统经济性为第一目标构建对应的第一目标函数，结合新能源系统的网络结构，以最小化对新能源系统冲击为第二目标构建对应的第二目标函数；
示例性地，第一目标是最小化总电力成本，包括新能源系统的发电成本、购买外部电力成本以及与电力系统的负荷需求和交互功率相关的成本。通过最小化电力成本，新能源系统可以更经济地运行，减少发电成本和购买外部电力成本；考虑到电力系统的负荷需求，目标函数确保了系统足够地满足负荷，不会导致电力短缺或不稳定；通过综合考虑发电成本、购买成本和负荷需求成本，目标函数促使系统在经济性和可靠性之间找到最佳平衡。
第二目标是最大化电网稳定性，考虑与新能源系统连接的电力系统的电压稳定性和频率稳定性。通过最大化电压稳定性和频率稳定性，新能源系统的运行将更加稳定，减少了电压波动和频率波动的风险；考虑电压稳定性和频率稳定性可以减小新能源系统对电力系统的冲击，降低了电网过载、电压不稳定等问题的发生概率；改善电网稳定性有助于提高电力系统的可靠性，减少了突发故障和停电的风险。
综合第一目标函数和第二目标函数，通过多目标优化，综合考虑了经济性和稳定性两个关键因素，系统可以找到一个权衡点，既确保了经济运行，又保障了电网的稳定性和可靠性。
在一种可选的实施方式中，
基于所述预测功率信息，结合新能源系统的电力成本，以最大化新能源系统经济性为第一目标构建对应的第一目标函数，结合新能源系统的网络结构，以最小化对新能源系统冲击为第二目标构建对应的第二目标函数包括：
基于所述预测功率信息，结合购买外部电力成本以及所述新能源系统的发电成本，同时考虑与所述新能源系统连接的电力系统的负荷需求，以及所述新能源系统与电力系统的交互功率，构建所述第一目标函数。
在一种可选的实施方式中，
构建所述第一目标函数如下公式所示：
；
其中，OBJ1表示第一目标函数对应的第一目标值，W cost、W self分别表示成本权重和功率权重，P load、P generate、P grid分别表示所述预测功率信息、所述负荷需求以及所述新能源系统与电力系统的交互功率，C external、C generation分别表示购买外部电力成本和所述新能源系统的发电成本；
示例性地，可以获取实时电力系统的负荷需求数据、外部电力购买成本数据、新能源系统的实际发电功率数据、新能源系统的发电成本数据以及电力系统的电网功率数据；使用给定的目标函数表达式，计算目标函数OBJ1的值。使用多目标优化算法，如多目标差分进化算法、多目标遗传算法等，将OBJ1作为优化目标，搜索新能源系统的最佳运行策略，以最小化总电力成本。在实际运行中，根据实时的气象信息、电力需求和成本数据，动态地调整新能源系统的运行策略，以实现最优化的电力成本。
在一种可选的实施方式中，
基于所述预测功率信息，结合新能源系统的电力成本，以最大化新能源系统经济性为第一目标构建对应的第一目标函数，结合新能源系统的网络结构，以最小化对新能源系统冲击为第二目标构建对应的第二目标函数还包括：
基于所述预测功率信息，结合所述新能源系统的网络结构，同时考虑与所述新能源系统连接的电力系统的电压稳定性以及与所述新能源系统连接的电力系统的频率稳定性，构建所述第二目标函数。
在一种可选的实施方式中，
构建所述第二目标函数如下公式所示：
；
其中，OBJ2表示第二目标函数对应的第二目标值，W vol、W fre、W load分别表示电压稳定性对应的权重系数、频率稳定性对应的权重系数、预测功率信息对应的权重系数，I vol、I fre分别表示电压稳定性和频率稳定性。
获取电网中的电压稳定性指标数据（I_vol），如电压偏差、电压波动等；电网中的频率稳定性指标数据（I_fre），如频率偏差、频率波动等；实时电力系统的负荷需求数据。使用给定的目标函数表达式，计算目标函数OBJ2的值。在实际运行中，根据实时的稳定性指标和电力需求，动态地调整新能源系统的运行策略，以实现最优的电网稳定性。
S103. 根据所述第一目标函数对应的第一约束条件，以及所述第二目标函数对应的第二约束条件，通过多目标优化算法求解所述第一目标函数和所述第二目标函数，确定新能源系统的运行策略。
在一种可选的实施方式中，
所述第一目标函数对应的第一约束条件包括所述预测功率信息大于等于电力负荷需求、所述预测功率信息小于等于额定容量；
所述第二目标函数对应的第二约束条件包括所述电压稳定性和所述频率稳定性在安全阈值范围内以及所述新能源系统与所述电力系统的传输容量不超过传输阈值。
示例性地，在每个时间步骤或时间段，预测的新能源系统发电功率（P_generate）必须大于等于电力系统的负荷需求（P_load）。预测功率信息大于等于电力负荷需求，这个约束条件确保新能源系统的发电功率必须满足电力系统的负荷需求，以防止电力短缺。
预测功率信息小于等于额定容量，这个约束条件确保新能源系统的发电功率不会超过其额定容量，以防止系统过载。
电压稳定性和频率稳定性指标（如电压偏差、频率偏差）必须保持在预定义的安全阈值范围内，这个约束条件确保电力系统的电压和频率稳定在安全操作范围内，以防止电力系统的不稳定。
新能源系统与电力系统之间的能量传输必须保持在预定义的传输能力阈值内，这个约束条件确保新能源系统与电力系统之间的能量传输不超过电力系统的传输能力，以防止过载和网络故障。
这些约束条件有助于确保新能源系统的运行在可接受的电力稳定性和传输能力范围内，同时满足电力系统的负荷需求和稳定性要求。这对于可靠地整合新能源系统到电力网络中至关重要。
在一种可选的实施方式中，
通过多目标优化算法求解所述第一目标函数和所述第二目标函数，确定新能源系统的运行策略包括：
随机生成一组初始解作为种群的起始点，计算种群中每个个体对应的第一目标函数和第二目标函数的值，基于每个个体对应的第一目标函数和第二目标函数的值对每个个体进行非支配排序；
选择非支配排序中位置靠前的个体作为种子父个体，再从种群中随机选择两个父个体，将其中一个父个体与所述种子父个体相减生成差分个体，将差分个体与另一个父个体相加生成子代个体；
迭代遍历选择种群中多个父个体，生成多个子代个体组成子种群，将所述子种群中非支配排序最靠前的子个体作为新能源系统的运行策略。
示例性地，本申请的多目标优化算法可以是基于多目标差分算法构建，随机生成一组初始解作为种群的起始点。每个个体代表一种新能源系统的运行策略，包括参数和控制变量。
计算种群中每个个体对应的第一目标函数和第二目标函数的值，基于每个个体对应的第一目标函数和第二目标函数的值，进行非支配排序。非支配排序确定了每个个体在种群中的优劣关系，将个体分成不同的层级，每一层级包含一组非支配解。从种群中选择非支配排序中位置靠前的个体作为种子父个体。然后，从种群中随机选择两个父个体（可以包括种子父个体），将其中一个父个体与所述种子父个体相减生成差分个体，将差分个体与另一个父个体相加生成子代个体。这个过程可以重复多次，以生成多个子代个体。
将生成的子代个体组成子种群，重复迭代遍历选择种群中多个父个体，生成多个子代个体组成不同的子种群。然后，从每个子种群中选择非支配排序最靠前的子个体作为新能源系统的运行策略，这些子个体代表不同的优秀解决方案。可以设置终止条件，例如达到最大迭代次数或者找到满意的 Pareto 最优前沿。分析最终得到的 Pareto 最优前沿，这是一组不同权衡下的最优解决方案，其中没有一个解决方案完全优于其他解决方案，根据应用需求和权衡，选择最合适的新能源系统运行策略。
由于非支配排序和差分操作，算法倾向于维护高度多样性的个体群体，这有助于找到多个不同权衡的优质解决方案。允许在每一代中选择多个父代个体，生成多个子代个体组成子种群。这提供了更大的灵活性，可以在不同子种群中探索多个潜在的优秀解决方案。
与传统的单目标差分进化算法不同，本申请的技术方案使用非支配排序来评估个体的优劣关系，这样可以在多目标环境中更好地确定个体的质量，并保留多个 Pareto 最优解。传统的差分进化算法通常是单目标优化算法，专注于寻找单一最优解，而本申请的技术方案是多目标优化算法，旨在同时优化多个目标函数，以找到一组最优解。多目标差分进化算法通常更注重维护多样性的个体，以覆盖 Pareto 前沿上的多个权衡点，这与传统差分进化算法的单目标优化目标不同，传统算法通常会趋向于收敛到单一解决方案。
图2为本发明实施例新能源发电预测系统的结构示意图，如图2所示，所述系统包括：
第一单元，用于获取目标区域的实时气象信息以及所述目标区域的历史发电功率信息，从所述实时气象信息中提取气象特征以及从所述历史发电功率信息中提取历史发电特征，根据所述气象特征以及所述历史发电特征通过预先构建的发电预测模型确定预设时间周期的预测功率信息；
第二单元，用于基于所述预测功率信息，结合新能源系统的电力成本，以最大化新能源系统经济性为第一目标构建对应的第一目标函数，结合新能源系统的网络结构，以最小化对新能源系统冲击为第二目标构建对应的第二目标函数；
第三单元，用于根据所述第一目标函数对应的第一约束条件，以及所述第二目标函数对应的第二约束条件，通过多目标优化算法求解所述第一目标函数和所述第二目标函数，确定新能源系统的运行策略。
本发明实施例的第三方面，
提供一种电子设备，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为调用所述存储器存储的指令，以执行前述所述的方法。
本发明实施例的第四方面，
提供一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现前述所述的方法。
本发明可以是方法、装置、系统和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于执行本发明的各个方面的计算机可读程序指令。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (8)
1.一种新能源发电预测方法，其特征在于，包括：
获取目标区域的实时气象信息以及所述目标区域的历史发电功率信息，从所述实时气象信息中提取气象特征以及从所述历史发电功率信息中提取历史发电特征，根据所述气象特征以及所述历史发电特征通过预先构建的发电预测模型确定预设时间周期的预测功率信息；
基于所述预测功率信息，结合新能源系统的电力成本，以最大化新能源系统经济性为第一目标构建对应的第一目标函数，结合新能源系统的网络结构，以最小化对新能源系统冲击为第二目标构建对应的第二目标函数；
根据所述第一目标函数对应的第一约束条件，以及所述第二目标函数对应的第二约束条件，通过多目标优化算法求解所述第一目标函数和所述第二目标函数，确定新能源系统的运行策略；
所述第一目标函数对应的第一约束条件包括预测功率信息大于等于电力负荷需求、预测功率信息小于等于额定容量；
所述第二目标函数对应的第二约束条件包括电压稳定性和频率稳定性在安全阈值范围内以及新能源系统与电力系统的传输容量不超过传输阈值；
构建所述第一目标函数如下公式所示：
；
其中，OBJ1表示第一目标函数对应的第一目标值，W cost、W self分别表示成本权重和功率权重，P load、P generate、P grid分别表示所述预测功率信息、所述负荷需求以及所述新能源系统与电力系统的交互功率，C external、C generation分别表示购买外部电力成本和所述新能源系统的发电成本；
构建所述第二目标函数如下公式所示：
；
其中，OBJ2表示第二目标函数对应的第二目标值，W vol、W fre、W load分别表示电压稳定性对应的权重系数、频率稳定性对应的权重系数、预测功率信息对应的权重系数，I vol、I fre分别表示电压稳定性和频率稳定性。
2.根据权利要求1所述的方法，其特征在于，根据所述气象特征以及所述历史发电特征通过预先构建的发电预测模型确定预设时间周期的预测功率信息之前，所述方法还包括训练发电预测模型：
所述发电预测模型基于长短期记忆网络模型构建，将待训练发电预测模型的隐藏层神经元数量、学习率、学习率衰减因子以及迭代次数作为待求解参数集合，设定所述待求解参数集合的取值范围并且对所述待求解参数集合进行初始化，生成随机分布的粒子群；
基于预先获取的发电训练数据集，确定所述发电训练数据集的每个粒子的适应度值，根据每个粒子的适应度值，确定所述粒子群中个体最优粒子和全局最优粒子；
根据每个粒子对应的适应度值更新下一轮迭代中各个粒子的速度和位置，按照每个粒子的适应度值对粒子进行排序，确定相邻粒子之间的距离之和，迭代计算相邻粒子之间的距离之和，并且每次将距离之和最大的相邻粒子替换掉距离之和最小的相邻粒子，直至所有的粒子均被遍历，将遍历完成后距离之和最大的相邻粒子的平均值作为最优参数。
3.根据权利要求1所述的方法，其特征在于，基于所述预测功率信息，结合新能源系统的电力成本，以最大化新能源系统经济性为第一目标构建对应的第一目标函数，结合新能源系统的网络结构，以最小化对新能源系统冲击为第二目标构建对应的第二目标函数包括：
基于所述预测功率信息，结合购买外部电力成本以及所述新能源系统的发电成本，同时考虑与所述新能源系统连接的电力系统的负荷需求，以及所述新能源系统与电力系统的交互功率，构建所述第一目标函数。
4.根据权利要求3所述的方法，其特征在于，基于所述预测功率信息，结合新能源系统的电力成本，以最大化新能源系统经济性为第一目标构建对应的第一目标函数，结合新能源系统的网络结构，以最小化对新能源系统冲击为第二目标构建对应的第二目标函数还包括：
基于所述预测功率信息，结合所述新能源系统的网络结构，同时考虑与所述新能源系统连接的电力系统的电压稳定性以及与所述新能源系统连接的电力系统的频率稳定性，构建所述第二目标函数。
5.根据权利要求1所述的方法，其特征在于，通过多目标优化算法求解所述第一目标函数和所述第二目标函数，确定新能源系统的运行策略包括：
随机生成一组初始解作为种群的起始点，计算种群中每个个体对应的第一目标函数和第二目标函数的值，基于每个个体对应的第一目标函数和第二目标函数的值对每个个体进行非支配排序；
选择非支配排序中位置靠前的个体作为种子父个体，再从种群中随机选择两个父个体，将其中一个父个体与所述种子父个体相减生成差分个体，将差分个体与另一个父个体相加生成子代个体；
迭代遍历选择种群中多个父个体，生成多个子代个体组成子种群，将所述子种群中非支配排序最靠前的子个体作为新能源系统的运行策略。
6.一种新能源发电预测系统，用于实现权利要求1-5中任一项所述的新能源发电预测方法，其特征在于，包括：
第一单元，用于获取目标区域的实时气象信息以及所述目标区域的历史发电功率信息，从所述实时气象信息中提取气象特征以及从所述历史发电功率信息中提取历史发电特征，根据所述气象特征以及所述历史发电特征通过预先构建的发电预测模型确定预设时间周期的预测功率信息；
第二单元，用于基于所述预测功率信息，结合新能源系统的电力成本，以最大化新能源系统经济性为第一目标构建对应的第一目标函数，结合新能源系统的网络结构，以最小化对新能源系统冲击为第二目标构建对应的第二目标函数；
第三单元，用于根据所述第一目标函数对应的第一约束条件，以及所述第二目标函数对应的第二约束条件，通过多目标优化算法求解所述第一目标函数和所述第二目标函数，确定新能源系统的运行策略。
7.一种电子设备，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为调用所述存储器存储的指令，以执行权利要求1至5中任意一项所述的方法。
8.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至5中任意一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311324751.4A CN117060408B (zh) | 2023-10-13 | 2023-10-13 | 新能源发电预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311324751.4A CN117060408B (zh) | 2023-10-13 | 2023-10-13 | 新能源发电预测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117060408A CN117060408A (zh) | 2023-11-14 |
| CN117060408B true CN117060408B (zh) | 2024-05-28 |
Family
ID=88661265
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311324751.4A Active CN117060408B (zh) | 2023-10-13 | 2023-10-13 | 新能源发电预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117060408B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117353359B (zh) * | 2023-12-05 | 2024-04-12 | 国网浙江省电力有限公司宁波供电公司 | 电池联合储能供电方法及系统 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108734350A (zh) * | 2018-05-17 | 2018-11-02 | 燕山大学 | 一种含微电网的配电网独立与联合调度的求解方法 |
| CN109449971A (zh) * | 2018-10-29 | 2019-03-08 | 国网甘肃省电力公司 | 一种新能源消纳的多目标电力系统源荷互动优化调度方法 |
| CN111047097A (zh) * | 2019-12-16 | 2020-04-21 | 贵州电网有限责任公司 | 一种综合能源系统日中滚动优化方法 |
| CN112366735A (zh) * | 2020-12-01 | 2021-02-12 | 合肥工业大学 | 一种基于自适应在线模型辨识的微电网二次调频方法 |
| CN113489004A (zh) * | 2021-07-20 | 2021-10-08 | 中国人民解放军陆军勤务学院 | 一种多能源供电系统经济运行的优化方法 |
| CN113887858A (zh) * | 2021-08-11 | 2022-01-04 | 浙江工业大学 | 一种基于cnn-lstm负荷预测的充电站微电网系统优化调度方法 |
| WO2022007376A1 (zh) * | 2020-07-08 | 2022-01-13 | 北京航空航天大学 | 基于贝叶斯自适应共振的多目标多模态粒子群优化方法 |
| CN114362241A (zh) * | 2021-12-06 | 2022-04-15 | 国网辽宁省电力有限公司电力科学研究院 | 一种基于新能源最大消纳及发电成本最优的混合调度方法 |
| WO2022118495A1 (ja) * | 2020-12-04 | 2022-06-09 | 株式会社日立製作所 | 電力系統運用計画作成支援装置および方法 |
| CN116307505A (zh) * | 2023-01-17 | 2023-06-23 | 安科瑞电气股份有限公司 | 一种企业微电网能量经济优化调度方法 |
-
2023
- 2023-10-13 CN CN202311324751.4A patent/CN117060408B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108734350A (zh) * | 2018-05-17 | 2018-11-02 | 燕山大学 | 一种含微电网的配电网独立与联合调度的求解方法 |
| CN109449971A (zh) * | 2018-10-29 | 2019-03-08 | 国网甘肃省电力公司 | 一种新能源消纳的多目标电力系统源荷互动优化调度方法 |
| CN111047097A (zh) * | 2019-12-16 | 2020-04-21 | 贵州电网有限责任公司 | 一种综合能源系统日中滚动优化方法 |
| WO2022007376A1 (zh) * | 2020-07-08 | 2022-01-13 | 北京航空航天大学 | 基于贝叶斯自适应共振的多目标多模态粒子群优化方法 |
| CN112366735A (zh) * | 2020-12-01 | 2021-02-12 | 合肥工业大学 | 一种基于自适应在线模型辨识的微电网二次调频方法 |
| WO2022118495A1 (ja) * | 2020-12-04 | 2022-06-09 | 株式会社日立製作所 | 電力系統運用計画作成支援装置および方法 |
| CN113489004A (zh) * | 2021-07-20 | 2021-10-08 | 中国人民解放军陆军勤务学院 | 一种多能源供电系统经济运行的优化方法 |
| CN113887858A (zh) * | 2021-08-11 | 2022-01-04 | 浙江工业大学 | 一种基于cnn-lstm负荷预测的充电站微电网系统优化调度方法 |
| CN114362241A (zh) * | 2021-12-06 | 2022-04-15 | 国网辽宁省电力有限公司电力科学研究院 | 一种基于新能源最大消纳及发电成本最优的混合调度方法 |
| CN116307505A (zh) * | 2023-01-17 | 2023-06-23 | 安科瑞电气股份有限公司 | 一种企业微电网能量经济优化调度方法 |
Non-Patent Citations (1)
| Title |
|---|
| 差分进化鸟群算法的微电网多目标优化运行;薛阳 等;《电工电气》(第08期);第1-6、11页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117060408A (zh) | 2023-11-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Bahmani-Firouzi et al. | An efficient scenario-based and fuzzy self-adaptive learning particle swarm optimization approach for dynamic economic emission dispatch considering load and wind power uncertainties | |
| Feng et al. | A taxonomical review on recent artificial intelligence applications to PV integration into power grids | |
| Ghadimi et al. | PSO based fuzzy stochastic long-term model for deployment of distributed energy resources in distribution systems with several objectives | |
| CN117060408B (zh) | 新能源发电预测方法及系统 | |
| CN116596044B (zh) | 基于多源数据的发电负荷预测模型训练方法及装置 | |
| CN116031888B (zh) | 基于动态负荷预测的潮流优化方法、系统及存储介质 | |
| Zhang et al. | Stochastic dynamic economic emission dispatch with unit commitment problem considering wind power integration | |
| CN114696351A (zh) | 一种电池储能系统动态优化方法、装置、电子设备和存储介质 | |
| CN115986728A (zh) | 一种计及不确定性因素的电网态势预测方法与终端 | |
| CN112949207A (zh) | 一种基于改进最小二乘支持向量机的短期负荷预测方法 | |
| CN113011680A (zh) | 一种电力负荷预测方法及系统 | |
| CN117353359B (zh) | 电池联合储能供电方法及系统 | |
| ÖZDEMİR et al. | An adaptive search equation-based artificial bee colony algorithm for transportation energy demand forecasting | |
| CN112862216B (zh) | 一种基于深度置信网络的多行业能源需求预测方法 | |
| Kang et al. | Optimal planning of hybrid energy storage systems using curtailed renewable energy through deep reinforcement learning | |
| Zhang et al. | Physical-model-free intelligent energy management for a grid-connected hybrid wind-microturbine-PV-EV energy system via deep reinforcement learning approach | |
| CN115622056B (zh) | 一种基于线性加权和选解法的储能优化配置方法及系统 | |
| CN113033898A (zh) | 基于k均值聚类与bi-lstm神经网络的电负荷预测方法及系统 | |
| Zhang | Short‐Term Power Load Forecasting Based on SAPSO‐CNN‐LSTM Model considering Autocorrelated Errors | |
| CN114266186B (zh) | 一种空调能耗数据缺失值填补方法、设备及介质 | |
| CN114169763A (zh) | 一种计量器具需求预测方法、系统、计算装置及存储介质 | |
| CN114330824A (zh) | 一种考虑源荷协同运行的能源需求预测方法及系统 | |
| Dhifaoui et al. | MOALO Algorithm applied to Dynamic Economic Environmental Dispatch including renewable energy | |
| Qi et al. | Data needs for load forecasting at different aggregation levels using LSTM networks | |
| Zhang et al. | Spatial-temporal load forecasting of electric vehicle charging stations based on graph neural network |
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 |